مُعتمَد أكاديمياً. مُحكَّم من الأقران. مبني من أجل الحقيقة.
BiasBreak ليس مجرد أداة ذكاء اصطناعي أخرى — بل مبني على أساس من البحث الأكاديمي الصارم. طوّر التكنولوجيا التي تُشغّل BiasBreak عارف ولي، مؤسس BiasBreak وخريج علوم الحاسوب من جامعة ميدلسكس لندن، بالتعاون مع أكاديميَّين مستقلَّين. خضع البحث للتحكيم الرسمي من الأقران ونُشر في مجلة علمية معترف بها دولياً، مما يمنح BiasBreak مستوى من المصداقية العلمية لا تمتلكه معظم أدوات الذكاء الاصطناعي.
البحث المنشور
العنوان: نحو نظام تنبؤ بأصالة الأخبار (NAP AI)
المؤلفون: أريف ولي، ستيليوس كابيتاناكيس، جياكومو نالي
نُشر في: Engineering Proceedings, MDPI — 2026
DOI: 10.3390/engproc2026124089
قُدِّم في: المؤتمر الإلكتروني الدولي السادس للعلوم التطبيقية، ديسمبر 2025
يُقدم هذا البحث نظام الذكاء الاصطناعي الجوهري وراء BiasBreak — نظام تنبؤ بأصالة الأخبار يستخدم نماذج اللغة الكبيرة ومعالجة اللغة الطبيعية للكشف عن المعلومات المضللة والتحيز والادعاءات غير الموثقة في المحتوى الإلكتروني.
📄 اقرأ الورقة البحثية كاملةً على MDPI ←
ما كشفه البحث
اختُبر النموذج بصرامة على مجموعة بيانات تضم 1,118 مقالاً إخبارياً حقيقياً ومزيفاً. إليك ما أظهرته النتائج:
- 98.03% — الدقة الإجمالية
- 98.15% — الدقة التنبؤية (كشف الأخبار الكاذبة)
- 98.15% — الاستدعاء
- 98.15% — درجة F1
من بين 1,118 مقالاً اختُبرت، صُنِّف 22 مقالاً فقط بشكل خاطئ — وكانت هذه الأخطاء موزعةً بالتساوي بين الإيجابيات الكاذبة والسلبيات الكاذبة، مما يعني أن النموذج لا ينحاز بشكل غير عادل نحو تصنيف المحتوى مزيفاً أو حقيقياً.
كيف يعمل الذكاء الاصطناعي
يجمع البحث وراء BiasBreak بين مقاربتين قويتين:
1. نموذج BERT المُضبَّط دقيقاً
يستخدم BiasBreak نموذج BERT (التمثيلات الترميزية ثنائية الاتجاه من المحولات)، وهو نموذج لغوي متطور طورته Google. جرى ضبطه الدقيق على مجموعة بيانات متنوعة تشمل أخباراً أصيلة من منافذ كـBBC وReuters وThe Guardian، فضلاً عن مقالات أخبار مزيفة موثقة من Snopes وFactCheck.org. تتيح البنية ثنائية الاتجاه لـBERT فهم السياق الكامل للكلمات — لا مجرد معناها السطحي — مما يجعله فعالاً بشكل استثنائي في رصد الأنماط اللغوية الدقيقة الشائعة في المعلومات المضللة.
2. التحقق الخارجي الفوري
للادعاءات التي تتطلب تحققاً خارجياً، يستخدم BiasBreak آلية الاسترجاع المعزَّز — بالاستعلام عن نتائج البحث الحية ومقارنة الادعاءات بمصادر موثوقة في الوقت الفعلي. تجمع هذه العملية ذات الخطوتين بين الفهم العميق للغة والتحقق الحي من الحقائق للحصول على نتيجة أكثر موثوقية وديناميكية.
ما الذي دربنا عليه النموذج
دُرِّب النموذج على مجموعة بيانات مُنتقاة بعناية تجمع بين مصادر متعددة:
- أخبار أصيلة من BBC وReuters وThe Guardian
- أخبار مزيفة رصدتها Snopes وFactCheck.org
- محتوى متحيز بشدة وحزبي
- عناوين نقر طُّعمي
- ادعاءات واقعية مع مراجع موثوقة ودونها
- مجموعات بيانات راسخة بما فيها LIAR وFakeNewsNet
المؤلفون والانتماءات الأكاديمية
أُجري هذا البحث بشكل مستقل وشارك في تأليفه:
أريف ولي — مؤسس BiasBreak وخريج تكنولوجيا المعلومات، جامعة ميدلسكس لندن
ستيليوس كابيتاناكيس — أكاديمي مستقل منتسب إلى جامعة ميدلسكس لندن
جياكومو نالي — أكاديمي مستقل منتسب إلى جامعة ميدلسكس لندن وشركة Distributed Analytics Solutions، لندن
الانتماء الجامعي يعكس الانتماءات الأكاديمية الفردية للمؤلفين فحسب ولا يعني تأييد جامعة ميدلسكس لندن أو رعايتها المؤسسية لـBiasBreak.
جرّب البحث بنفسك
الذكاء الاصطناعي ذاته المُعتمَد في دراستنا المحكَّمة من الأقران يُشغّل كل تحليل تُجريه على BiasBreak. جرّبه بنفسك — الصق أي مقال أو رابط أو نص وشاهد العلم في العمل.