### پژوهش جدید درباره تصاویر تولیدشده با هوش مصنوعی
بر اساس تحقیقی که در نشریه علمی *Royal Society Open Science* منتشر شده است، چهرههای ساختهشده توسط هوش مصنوعی به قدری واقعی به نظر میرسند که حتی افرادی با تواناییهای بالای تشخیص چهره نیز به سادگی فریب میخورند. افرادی که مهارتهای عادی در این زمینه دارند، در تشخیص این تصاویر جعلی عملکرد ضعیفتری دارند و غالباً آنها را واقعی تصور میکنند.
نتایج این پژوهش نشان میدهد که تنها با پنج دقیقه آموزش درباره رایجترین خطاهای مربوط به رندر چهرههای مصنوعی، توانایی افراد برای تشخیص تصاویر جعلی به طور قابل توجهی افزایش مییابد. کتی گری، نویسنده اصلی این مطالعه و دانشیار روانشناسی دانشگاه ریدینگ در بریتانیا، اظهار امیدواری کرده که این آموزشهای ساده میتواند موجب بهبود عملکرد هر دو گروه شود.
تجزیه و تحلیل ها نشان میدهند که میزان بهبود در عملکرد افرادی با تواناییهای ویژه و افراد عادی تقریباً یکسان بوده است. افرادی که تواناییهای بالایی دارند در آغاز نیز عملکرد بهتری داشتند، که به این معنی است که آنها به سرنخهای مختلفی برای شناسایی چهرههای جعلی تکیه میکنند.
این پژوهشگران تأکید دارند که در آینده، میتوان از قابلیتهای تشخیصی افرادی با مهارتهای ویژه برای مقابله با تصاویر ساختهشده با هوش مصنوعی استفاده کرد. آنها پیشنهاد میکنند که بهترین شیوه برای تشخیص این چهرهها، ترکیب الگوریتمهای هوش مصنوعی با رویکرد «انسان در حلقه» باشد که شامل فردی آموزشدیده و با قابلیتهای بالا در تشخیص میشود.
### چالشهای دیپفیکها
در سالهای اخیر، اینترنت شاهد افزایش چشمگیر تصاویر تولیدشده توسط هوش مصنوعی بوده است. چهرههای دیپفیک معمولاً با استفاده از الگوریتمهای پیشرفتهای به نام شبکههای مولد تخاصمی (GAN) ایجاد میشوند. این الگوریتمها ابتدا تصویر جعلی را ایجاد میکنند و سپس یک الگوریتم تشخیص بررسی میکند که آیا تصویر واقعی است یا خیر. با تکرار این روند، تصاویر جعلی به قدری واقعی میشوند که توانایی فریب سیستمهای تشخیص را دارند.
این الگوریتمها به اندازهای پیشرفته شدهاند که بسیاری از افراد بهطور غلط تصور میکنند که چهرههای جعلی، واقعیتر از چهرههای اصلی هستند. این پدیده به عنوان «فراواقعگرایی» شناخته میشود. پژوهشگران به دنبال طراحی برنامههای آموزشی برای بهبود توانایی تشخیص چهرههای مصنوعی هستند. این آموزشها بر شناسایی خطاهای رایج در این تصاویر تأکید دارند، نظیر دندانهای غیرطبیعی، خط رویش مو غیرمعمول و بافت غیرواقعی پوست.
### بررسی اَبَرتشخیصدهندهها
اَبَرتشخیصدهندهها باید در واقعیت، بهتر از افراد معمولی در شناسایی چهرههای جعلی عمل کنند. این افراد در آزمونهای شناسایی چهره عملکردی بسیار بالاتر از میانگین دارند و به راحتی میتوانند تشخیص دهند که آیا دو تصویر از یک شخص خاص هستند یا خیر. با وجود این، تحقیقات کمی به بررسی توانایی آنها در تشخیص چهرههای جعلی پرداختهاند.
به منظور پر کردن این خلأ، محققان مجموعهای از آزمایشهای آنلاین طراحی کردند تا عملکرد اَبَرتشخیصدهندهها را در مقایسه با افراد عادی بسنجند. این اَبَرتشخیصدهندهها از گروهی انتخاب شدند که در آزمونهای تشخیص چهره در بین دو درصد بالای داوطلبان قرار داشتند.
در نخستین آزمایش، به شرکتکنندگان تصویری از یک چهره واقعی یا تولیدشده توسط رایانه نمایش داده شد و آنها ۱۰ ثانیه زمان داشتند تا واقعی یا جعلی بودن تصویر را تشخیص دهند. نتایج حاکی از آن بود که اَبَرتشخیصدهندهها تنها ۴۱ درصد از چهرههای جعلی را به درستی شناسایی کردند که عملکردی مشابه با حدس تصادفی بود. افراد عادی حتی عملکرد ضعیفتری داشتند و تنها حدود ۳۰ درصد از تصاویر جعلی را تشخیص دادند.
همچنین، هر دو گروه گاهی چهرههای واقعی را به اشتباه جعلی تشخیص دادند؛ این اشتباه در ۳۹ درصد موارد برای اَبَرتشخیصدهندهها و حدود ۴۶ درصد برای افراد عادی ثبت شد.
### تأثیر آموزشهای ساده
در مرحله دوم آزمایش، گروه جدیدی از شرکتکنندگان به بررسی و آزمایشهای مشابه دعوت شدند که نشاندهنده تأثیر آموزش بر افزایش توانایی تشخیص آنها بود.گروهی از پژوهشگران به بررسی تأثیر آموزش بر شناسایی چهرههای تولیدشده با هوش مصنوعی پرداختهاند. در این تحقیق، شرکتکنندگان ابتدا جلسهای پنجدقیقهای دریافت کردند که در آن نمونههایی از اشتباهات رایج در شناسایی چهرههای جعلی به آنها نمایش داده شد. پس از آن، با ارائه بازخورد لحظهای، ده تصویر را بررسی کردند و در نهایت نکات کلیدی آموزش مرور شد. در پایان، آنها دوباره آزمون اصلی را انجام دادند.
نتایج بدست آمده نشان میدهد که آموزش تأثیر چشمگیری بر عملکرد شناسایی دارد؛ بهطوری که اَبَرتشخیصدهندهها توانستند ۶۴ درصد از چهرههای جعلی را شناسایی کنند، در حالی که این رقم برای افراد عادی به ۵۱ درصد رسید. همچنین نرخ اشتباه در شناسایی چهرههای واقعی تقریباً مشابه آزمایش اولیه باقی ماند، بهطوری که اَبَرتشخیصدهندهها در ۳۷ درصد موارد و افراد عادی در ۴۹ درصد موارد، چهرههای واقعی را به عنوان جعلی شناسایی کردند.
شرکتکنندگان آموزشدیده همچنین زمان بیشتری را صرف بررسی تصاویر کردند؛ بهطور میانگین، افراد عادی ۱.۹ ثانیه و ابرشناساگرها ۱.۲ ثانیه کندتر عمل کردند. گری، یکی از محققان، تأکید کرد که برای تشخیص واقعی یا جعلی بودن یک چهره، دقت و توقف در ارزیابی جزئیات حائز اهمیت است.
با این حال، پژوهشگران هشدار میدهند که این آزمایش بلافاصله پس از دوره آموزشی انجام شده و مشخص نیست که اثر آموزش تا چه مدت باقی خواهد ماند. مایکه رامون، استاد علم داده کاربردی و متخصص پردازش چهره در دانشگاه علوم کاربردی برن سوئیس، در ارزیابی این پژوهش بیان کرده است که بدون برگزاری آزمون مجدد در بازههای زمانی بعدی، نمیتوان این آموزش را بهعنوان یک مداخله پایدار شناخت. او همچنین متذکر شد که برای سنجش دقیق میزان بهبود مهارتها، لازم است همان افراد قبل و بعد از آموزش آزمایش شوند.
منبع: livescience
