إطار نسبة احتمال معتمد على الدرجات لتحديد صور ديب‎فيك في علم الأدلة الجنائية

لماذا الوجوه المزيفة مشكلة تخص الجميع

يمكن الآن تصنيع صور ومقاطع فيديو تبدو حقيقية تمامًا عبر تطبيقات متاحة للمستهلكين، من أدوات تبديل الوجوه إلى فلاتر الصور. لم تعد ما يُسمى بالديب‎فيك مجرد فضول إنترنتي—فيمكن استخدامها لنشر أخبار كاذبة، أو الاحتيال على الناس، أو زعزعة الثقة في أدلة حقيقية أمام المحكمة. تعالج هذه الورقة سؤالًا يهم من يهتم بالحقيقة في عالم رقمي: ليس فقط «هل هذه الصورة مزيفة؟» بل «إلى أي مدى تدعم الأدلة ذلك، بطريقة يمكن للقاضي وهيئة المحلفين فهمها؟»

من إجابات نعم أو لا إلى مقياس اليقين

تعمل معظم كاشفات الديب‎فيك اليوم مثل أجهزة كشف الكذب البسيطة: تستقبل صورة وتصدر تسمية، حقيقية أو مزيفة، أحيانًا مع درجة ثقة. قد يكون ذلك كافيًا لترشيح المحتوى على وسائل التواصل. لكن في قاعة المحكمة يجب على المحققين مقارنة روايتين متنافرتين—«هذه الصورة مزورة» مقابل «هذه الصورة حقيقية»—وشرح مدى دعم البيانات لإحداهما مقارنة بالأخرى. يبني المؤلفون نظامًا يحول الدرجات الخام من كاشف الديب‎فيك إلى «نسبة احتمال»: تعبير رقمي عن مقدار تفضيل الأدلة للرواية الواحدة على الأخرى، وهو لغة مألوفة بالفعل في مجالات جنائية أخرى مثل بصمات الأصابع والمخطوطات اليدوية.

بناء مجموعة اختبار مدروسة من الوجوه الحقيقية والمزيفة

لإرساء عملهم على بيانات قوية، يعتمد الباحثون على FaceForensics++، مجموعة مستخدمة على نطاق واسع من مقاطع الفيديو التي تُظهر وجوهًا حقيقية وديب‎فيك مُولَّدة بعدة طرق شائعة للتلاعب. يقسمون هذه المواد على مستوى الفيديوهات الكاملة—بدلًا من الإطارات الفردية—إلى خمس مجموعات مميزة لتدريب الكاشف، وضبط إعداداته بدقة، واختيار أفضل نموذج، ومعايرة نظام نسبة الاحتمال، واختباره. يجنّب هذا التصميم حدوث «تسرب بيانات»، حيث قد تظهر إطارات متشابهة جدًا من نفس الفيديو بالخطأ في كل من التدريب والاختبار، مما يجعل أرقام الأداء تبدو أفضل مما هي عليه فعلاً.

تحويل درجات الكاشف إلى وزن الدليل

قارن الفريق أولًا عدة كاشفات ديب‎فيك حديثة ووجد أن شبكة قائمة على الكبسولات تقدم أكثر النتائج موثوقية عبر أنواع مزيفة مختلفة. يعطي هذا النموذج درجة بين صفر وواحد لكل صورة وجه، مع قيم أعلى تدل على اشتباه أقوى في التزييف. بدلًا من رسم حد صارم عند عتبة ما، يقوم المؤلفون بنمذجة كيفية توزيع هذه الدرجات للصور المعروفة الحقيقية والديب‎فيك المعروفة. باستخدام تقنية تمليس، يقدّرون منحنيين ناعمين: أحدهما يصف الدرجات النموذجية للصور الحقيقية، والآخر للمزيفة. لأي صورة جديدة، يسألون: هل هذه الدرجة أكثر تشابهًا مع منحنى «الحقيقية» أم منحنى «المزيفة»؟ تصبح النسبة بين هذين الاحتمالين هي نسبة الاحتمال، مقياس مباشر لقوة الدليل.

الحماية من التطرف المفرط في الثقة

مع ذلك، قد تسلك المنحنيات الإحصائية سلوكًا غير مستقيم في مناطق لم ترَ فيها النظام بيانات كافية، مما يؤدي إلى نسب احتمال ضخمة أو ضئيلة بشكل غير واقعي. لمنع النموذج من إصدار مثل هذه الادعاءات المفرطة الثقة، يطبّق الباحثون طريقة تُسمى الحدود الدنيا والقصوى التجريبية. عمليًا، يقيدون أقصى القيم المتطرفة المسموح للنظام بإخراجها بناءً على كيفية أدائه عندما يُعرض لأمثلة «صعبة». كما يستخدمون خطوة معايرة تضبط نسب الاحتمال الخام بحيث، عبر حالات كثيرة، يتطابق مستوى قوة الدليل المبلَّغ عنه بشكل أوثق مع مدى صحة النظام فعليًا. تظهر الاختبارات على الجزء المحجوز من FaceForensics++ معدلات خطأ منخفضة وقَلة الحالات التي تشير فيها الأدلة إلى الاتجاه الخاطئ، مما يوحي بأن النظام يتصرف بعقلانية ضمن عالم هذه البيانات.

ما مدى صلاحيته خارج المختبر؟

نادراً ما تطابق الحالات الواقعية بيانات التدريب تمامًا، لذا يفحص المؤلفون كيف يؤدي نظامهم على عدة مجموعات بيانات ديب‎فيك مستقلة بُنيت بجهات ومَنهج توليد مختلفة. هنا ينخفض الأداء: لا يزال أفضل من التخمين العشوائي، لكنه ليس بفارق كبير في أصعب المجموعات. يعمل النظام بشكل أفضل عندما يشبه المحتوى الجديد بيانات FaceForensics++ الأصلية ويواجه صعوبات عندما يتغير أسلوب التزييف. يسلط هذا الضوء على صعوبة مركزية في الذكاء الاصطناعي الجنائي: يجب التحقق من أدوات ليس فقط على مجموعات قياسية ملائمة، بل أيضًا عبر المشهد المتغير بسرعة لتقنيات الديب‎فيك.

ماذا يعني هذا للمحاكم والجمهور

بمصطلحات يومية، تُظهر هذه الدراسة أنه من الممكن تحويل مخرجات كاشفات الديب‎فيك إلى شكل من «وزن الدليل» يتناسب مع طريقة استدلال العلماء الجنائيين عن البصمات أو الحمض النووي. ضمن إعدادات شبيهة ببيانات التدريب، يمكن للنظام أن يوفر ليس مجرد تخمين عما إذا كانت الصورة مزيفة، بل أيضًا بيانًا معايرًا بحذر عن مدى دعم البيانات لتلك النتيجة. في الوقت نفسه، تحذر الدراسة من الافراط في الثقة: يمكن أن يتراجع الأداء عندما يواجه الأسلوب أنواعًا جديدة من الديب‎فيك. قبل أن يُعتمد مثل هذه الأدوات في قاعات المحكمة، ستحتاج إلى تحقق أوسع وتحديث مستمر لمواكبة الطرق المتطورة بسرعة لتزييف الواقع.

الاستشهاد: Guo, T., Li, J. & Tang, Y. A score based likelihood ratio framework for deepfake image identification in forensic science. Sci Rep 16, 12149 (2026). https://doi.org/10.1038/s41598-026-42176-w

الكلمات المفتاحية: كشف الديب‎فيك, الأدلة الجنائية, نسبة الاحتمال, تحليل الصور الرقمية, تقنية قاعة المحكمة