A dual-phase framework for detecting authentic and computer-generated customer reviews using large language models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Customer reviews are crucial in potential buyers’ decision-making process. However, on online platforms, the credibility of these reviews is often undermined by fake reviews, which can mislead users. With advancements in large language models (LLMs), the review landscape has transformed, making it more common to encounter computer-generated reviews created using state-of-the-art language models rather than genuine user feedback. This evolution poses significant challenges in distinguishing authentic reviews from artificially generated ones. To address these challenges, we propose a novel dual-phase framework that first generates high-diversity synthetic reviews using advanced LLMs to learn their patterns, and then it leverages this knowledge to enhance fake reviews detection. Our methodology involves two key phases. In the first phase, we generate computer-generated reviews by leveraging advanced methods, including generative transformers, trained on genuine user reviews. In the second phase; traditional and deep learning based classifiers, are incorporated as detection models which classify reviews as either authentic or computer-generated. Evaluated on a benchmark Amazon review dataset, our framework demonstrate (1) the efficacy of our approach in generating diverse and contextually relevant human-based and computerized-based reviews and (2) the robustness of our system in classifying and verifying the authenticity of reviews. • Propose a novel end-to-end framework for detecting fake and genuine reviews. • Use modern large language models, including Generative Transformers, for review generation. • Employ traditional and modern classifiers for detection and classification. • Create high-diversity computer-generated reviews for experimental analysis. • Demonstrate strong performance in verifying review authenticity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle