DOI: https://doi.org/10.1038/s41598-026-36771-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41644624
تاريخ النشر: 2026-02-05
المؤلف: Asif Feroz وآخرون
الموضوع الرئيسي: المعلومات المضللة وتأثيراتها
نظرة عامة
تتناول الدراسة القضية الملحة لنشر الأخبار المزيفة، وخاصة في سياق وسائل الإعلام الناطقة بالأردية في باكستان، حيث يصبح التمييز بين الأخبار الحقيقية والمزيفة أكثر تحديًا بسبب انتشار المنصات الرقمية. تقدم الدراسة آلية شاملة لاكتشاف الأخبار المزيفة باستخدام مجموعة بيانات تضم 14,178 مقالة إخبارية من صحف ومواقع بث موثوقة باللغة الأردية. تم تقييم ثلاثة نماذج تعلم عميق—RoBERTa وXLM-RoBERTa وmBERT—حيث حقق XLM-RoBERTa، المعزز من خلال دمج تمثيلات GloVe، مقاييس أداء متفوقة: درجة F1 تبلغ 0.956، دقة 0.962، دقة 0.932، واسترجاع 0.940.
تؤكد النتائج على فعالية الاستفادة من نماذج المحولات المتقدمة المدربة مسبقًا وتمثيلات الميزات الغنية لاكتشاف الأخبار المزيفة في اللغات ذات الموارد المحدودة. لا تُظهر الإطار المقترح فقط القوة وقابلية التوسع، بل تحدد أيضًا معيارًا جديدًا لاكتشاف الأخبار المزيفة باللغة الأردية. تشمل اتجاهات البحث المستقبلية استكشاف هياكل المحولات الأكثر تعقيدًا ونماذج اللغة الكبيرة، بالإضافة إلى دمج تقنيات التدريب العدائي لتعزيز مرونة النموذج ضد تكتيكات المعلومات المضللة المتطورة.
مقدمة
تقدم المقدمة نظرة عامة إحصائية على مجموعة بيانات الأخبار الناطقة بالأردية، المشار إليها باسم مجموعة بيانات UFND، والتي تتكون من إجمالي 14,178 سجلًا مصنفة في مجالات متنوعة، بما في ذلك الصحة، الأعمال، الرياضة، التكنولوجيا، الترفيه، السياسة، العلوم، الجريمة، السفر، التعليم، والبيئة. تم تقسيم مجموعة البيانات إلى أخبار حقيقية ومزيفة، حيث تم تصنيف 8,283 سجلًا كأخبار حقيقية و5,895 كأخبار مزيفة. ومن الجدير بالذكر أن المجال السياسي يحتوي على أكبر عدد من السجلات، حيث يحتوي على 2,107 إدخالات، بينما يحتوي مجال الجريمة على أقل عدد، حيث يحتوي على 658 إدخالات.
بالإضافة إلى ذلك، تم هيكلة مجموعة البيانات لتطبيقات التعلم الآلي، مع توزيع 11,004 سجلات للتدريب، و1,587 سجلًا لكل من التحقق والاختبار. تذكر المقدمة أيضًا استخدام نماذج التعلم العميق مع دمج GloVe لمعالجة البيانات النصية، مما يشير إلى التركيز على الاستفادة من الخوارزميات المتقدمة لتصنيف فعّال لصدق الأخبار.
طرق
تستخدم الدراسة مجموعة بيانات تتكون من 14,178 مقالة إخبارية مصنفة في خمسة عشر مجالًا متميزًا، بما في ذلك الرياضة، التعليم، السياسة، الصحة، والتكنولوجيا، لتعزيز اكتشاف الأخبار المزيفة باللغة الأردية (UFND). تمتد هذه المجموعة من المقالات المنشورة من 2017 إلى 2023 وتتناول القيود التي تم تحديدها في الدراسات السابقة. تم توجيه اختيار المقالات بواسطة كلمات رئيسية محددة تتعلق بمناطق ومواضيع مختلفة داخل باكستان، مثل “أخبار الأردية في البنجاب” و”أخبار الأردية في حزب PTI”، كما هو موضح في الجدول 1.
لإثراء التحليل، تشمل مجموعة البيانات كل من الأخبار عبر المجالات والأخبار متعددة المجالات، مما يزيد من التنوع المعجمي ويسمح بفحص شامل لأنماط السرد المضللة. تقيّم الدراسة أيضًا أداء عدة نماذج متقدمة في اكتشاف الأخبار المزيفة، مع تقديم المصطلحات ذات الصلة والاختصارات المستخدمة في الأخبار الأردية في الشكلين 2 و3، على التوالي. تهدف هذه المقاربة المنهجية إلى توفير إطار قوي لفهم ومكافحة انتشار المعلومات المضللة في وسائل الإعلام الناطقة بالأردية.
نتائج
في قسم النتائج، يتم تقديم تقييم شامل لمختلف النماذج المدربة مسبقًا، مع تسليط الضوء على أدائها على مجموعات بيانات متعددة اللغات. تشير التحليلات إلى أن زيادة تعقيد النموذج وتحسينه يعزز بشكل كبير الفعالية لمهام التصنيف المحددة. تم استخدام مقاييس الأداء مثل الدقة، والدقة، والاسترجاع، ودرجات F1 للمقارنة.
تظهر النتائج، الملخصة في الجدول 4، أن mBERT حقق دقة تبلغ 0.938 ودرجة F1 تبلغ 0.930. تفوق RoBERTa على mBERT بدقة تبلغ 0.946 ودرجة F1 تبلغ 0.938. ومن الجدير بالذكر أن XLM-RoBERTa أظهر أعلى أداء، حيث حقق دقة تبلغ 0.962 ودرجة F1 تبلغ 0.956، مما يبرز قدرته الفائقة في مهمة التصنيف.
مناقشة
تتناول قسم المناقشة في ورقة البحث المنهجيات والنتائج المتعلقة باكتشاف الأخبار المزيفة باللغة الأردية (UFND) باستخدام تقنيات التعلم العميق. تؤكد على ضرورة أنظمة الكشف الآلي، خاصة في اللغات ذات الموارد المحدودة مثل الأردية، حيث تكون مجموعات البيانات الحالية محدودة. تسلط الدراسة الضوء على تطوير مجموعة بيانات شاملة تضم 14,178 حالة من الأخبار المزيفة باللغة الأردية، والتي تم تجميعها بدقة من مصادر موثوقة متنوعة. يعزز تنوع مجموعة البيانات من فائدتها في تدريب النماذج، مما يعالج التحديات التي تطرحها ندرة البيانات عالية الجودة في هذا السياق اللغوي.
تقيم الورقة عدة نماذج للتعلم العميق، بما في ذلك mBERT وRoBERTa وXLM-RoBERTa، باستخدام تمثيلات مدمجة من BERT وGloVe لتحسين الأداء. تشير النتائج إلى أن XLM-RoBERTa تفوق على النماذج الأخرى، محققًا دقة تبلغ 96%، بينما سجلت mBERT وRoBERTa دقتين تبلغان 93% و94%، على التوالي. تؤكد النتائج على فعالية دمج التدريب المتعدد اللغات مع تمثيلات الميزات الغنية في تعزيز قدرات اكتشاف الأخبار المزيفة. يُعتبر الإطار المقترح قويًا وقابلًا للتوسع، مما يوفر نهجًا واعدًا لمكافحة المعلومات المضللة في اللغات ذات الموارد المحدودة. تشمل اتجاهات البحث المستقبلية استكشاف هياكل المحولات المتقدمة ونماذج اللغة الكبيرة لتحسين منهجيات الاكتشاف بشكل أكبر.
القيود
تظهر النماذج المقترحة لاكتشاف الأخبار المزيفة باللغة الأردية (UFND) كفاءة؛ ومع ذلك، فإن قابليتها للتطبيق مقيدة بالتحليل القائم على النص بسبب تركيز مجموعة البيانات على أخبار النصوص الأردية. تعيق هذه القيود فعالية النماذج، مما يشير إلى أن البحث المستقبلي يجب أن يستكشف دمج الميزات السياقية، بما في ذلك المعلومات المرئية والاجتماعية من المنصات عبر الإنترنت.
علاوة على ذلك، يمكن تحقيق تحسين أداء النموذج من خلال التدريب على مجموعات بيانات متعددة اللغات. قد يوفر الاستخدام المحتمل لنماذج اللغة الكبيرة (LLMs) مثل GPT-4 وLLaMA-3 وMistral في الدراسات المستقبلية رؤى أعمق وقدرات استدلال، مما يحسن الشفافية والدقة في اكتشاف الأخبار المزيفة.
DOI: https://doi.org/10.1038/s41598-026-36771-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41644624
Publication Date: 2026-02-05
Author(s): Asif Feroz et al.
Primary Topic: Misinformation and Its Impacts
Overview
The research addresses the pressing issue of fake news dissemination, particularly in the context of Urdu-language media in Pakistan, where distinguishing between real and fake news is increasingly challenging due to the proliferation of digital platforms. The study introduces a comprehensive fake news detection mechanism utilizing a dataset of 14,178 news articles from reputable Urdu newspapers and broadcasting websites. Three deep learning models—RoBERTa, XLM-RoBERTa, and mBERT—were evaluated, with XLM-RoBERTa, enhanced by concatenated GloVe embeddings, achieving superior performance metrics: an F1 score of 0.956, accuracy of 0.962, precision of 0.932, and recall of 0.940.
The findings underscore the effectiveness of leveraging advanced pre-trained transformer models and enriched feature representations for fake news detection in low-resource languages. The proposed framework not only demonstrates robustness and scalability but also sets a new benchmark for Urdu fake news detection. Future research directions include exploring more sophisticated transformer architectures and large language models, as well as integrating adversarial training techniques to bolster model resilience against evolving misinformation tactics.
Introduction
The introduction presents a statistical overview of the Urdu-language news dataset, referred to as the UFND dataset, which comprises a total of 14,178 records categorized into various domains, including health, business, sports, technology, showbiz, politics, science, crime, travel, education, and environment. The dataset is further divided into real and fake news, with 8,283 records classified as real and 5,895 as fake. Notably, the political domain contains the highest number of records, with 2,107 entries, while the crime domain has the fewest, with 658 entries.
Additionally, the dataset is structured for machine learning applications, with a distribution of 11,004 records for training, and 1,587 records each for validation and testing purposes. The introduction also mentions the use of deep learning models with GloVe embedding for processing the textual data, indicating a focus on leveraging advanced algorithms for effective classification of news authenticity.
Methods
The research employs a dataset comprising 14,178 news articles categorized into fifteen distinct fields, including sports, education, politics, health, and technology, to enhance the detection of fake news in Urdu (UFND). This dataset spans articles published from 2017 to 2023 and addresses limitations identified in previous studies. The selection of articles was guided by specific keywords related to various regions and topics within Pakistan, such as “Punjab Urdu-language news” and “PTI Urdu-language news,” as detailed in Table 1.
To enrich the analysis, the dataset encompasses both cross-domain and multidomain news, thereby increasing lexical diversity and allowing for a comprehensive examination of deceptive narrative patterns. The study further assesses the performance of several advanced models in detecting fake news, with relevant terminology and acronyms utilized in Urdu news presented in Figures 2 and 3, respectively. This methodological approach aims to provide a robust framework for understanding and combating the spread of misinformation in Urdu-language media.
Results
In the results section, a comprehensive evaluation of various pretrained models is presented, highlighting their performance on multilingual corpora. The analysis indicates that increased model complexity and refinement significantly enhance effectiveness for specific classification tasks. Performance metrics such as accuracy, precision, recall, and F1-scores were utilized for comparison.
The findings, summarized in Table 4, reveal that mBERT achieved an accuracy of 0.938 and an F1-score of 0.930. RoBERTa outperformed mBERT with an accuracy of 0.946 and an F1-score of 0.938. Notably, XLM-RoBERTa demonstrated the highest performance, attaining an accuracy of 0.962 and an F1-score of 0.956, underscoring its superior capability in the classification task.
Discussion
The discussion section of the research paper outlines the methodologies and findings related to Urdu fake news detection (UFND) using deep learning techniques. It emphasizes the necessity for automated detection systems, particularly in low-resource languages like Urdu, where existing datasets are limited. The study highlights the development of a comprehensive dataset comprising 14,178 instances of Urdu fake news, which was meticulously compiled from various reputable sources. The dataset’s diversity enhances its utility for training models, addressing the challenges posed by the scarcity of high-quality data in this linguistic context.
The paper evaluates several deep learning models, including mBERT, RoBERTa, and XLM-RoBERTa, utilizing concatenated embeddings from BERT and GloVe to improve performance. Results indicate that XLM-RoBERTa outperformed other models, achieving an accuracy of 96%, while mBERT and RoBERTa recorded accuracies of 93% and 94%, respectively. The findings underscore the effectiveness of combining multilingual pretraining with enriched feature representations in enhancing fake news detection capabilities. The proposed framework is deemed robust and scalable, offering a promising approach to combat misinformation in resource-constrained languages. Future research directions include exploring advanced transformer architectures and large language models to further refine detection methodologies.
Limitations
The proposed models for Urdu fake news detection (UFND) demonstrate efficiency; however, their applicability is constrained to text-based analysis due to the dataset’s focus on Urdu text news. This limitation hinders the models’ effectiveness, suggesting that future research should explore the integration of contextual features, including visual and social information from online platforms.
Moreover, enhancing model performance could be achieved by training on multilingual datasets. The potential use of Large Language Models (LLMs) such as GPT-4, LLaMA-3, and Mistral in future studies may provide deeper insights and reasoning capabilities, thereby improving the transparency and accuracy of fake news detection.