集体学习方法用于区分人类和计算机生成的阿拉伯文评论

科学领域:

• 自然语言处理自然语言处理.
• 机器学习 机器学习
• 计算语言学 计算语言学

背景情况:

• 客户评论对企业至关重要,但人工智能生成的假评论会侵蚀消费者的信任.
• 关于检测人工智能生成文本的现有研究主要集中在英语,阿拉伯语存在差距.
• 对阿拉伯语假评论进行分类的集体学习 (EL) 技术尚未得到充分探索.

研究的目的:

• 开发和评估用于分类人类与计算机生成的阿拉伯文评论的模型.
• 在这个分类任务中,研究集合学习,特别是软投票的有效性.
• 识别区分人类和人工智能生成的阿拉伯语评论的语言特征.

主要方法:

• 采用传统的机器学习,深度学习和变压器模型.
• 利用集体技术,包括软投票,结合逻辑回归 (LR) 和卷积神经网络 (CNN) 模型.
• 进行了文本分析,重点关注语音部分 (POS),情绪和语言模式.

主要成果:

• 在分类方面取得了很高的准确性,LR和CNN组合达到89.70%,相当于AraBERT的90.0%.
• 确定了显著的语言差异:人工智能评论中含有比人类评论 (0.46%) 的形容词比例要高得多 (6.3%).
• 证明了整体方法在改善假评论检测方面的有效性.

结论:

• 该研究成功地区分了人类和人工智能生成的阿拉伯评论,为企业提供了有价值的工具.
• 语言分析为假评论的特征提供了关键的见解,有助于检测.
• 推进阿拉伯自然语言处理 (NLP),并为维护市场完整性和消费者信任提供实用意义.