ClickGuard ile Tıklama Tuzağını Tespit Et ve Açığa ÇıkarClickGuard: Detecting and Spoiling Clickbait News with Informativeness Measures and Large Language ModelsHabere gitRead the article Türkçe (otomatik çeviri) English (automatic translation) |
ÖzetSummaryClickGuard, transformer/LLM gömmeleri, elle hazırlanmış dilbilimsel özellikler ve özel bir 'tuzaklık' puanını XGBoost sınıflandırıcısına besleyen hibrit bir boru hattı kullanarak tıklama tuzağı makaleleri işaretleyen bir tarayıcı eklentisidir. Belirsiz birleşik bir veri kümesinde %91 F1 skoru bildirmektedir. Kullanıcı makaleyi açtıktan sonra da bir-iki cümlelik bir 'spoiler' özeti üretir.ClickGuard is a browser extension that flags clickbait articles using a hybrid pipeline that feeds transformer/LLM embeddings, handcrafted linguistic features, and a custom 'clickbaitiness' score into an XGBoost classifier. It reports a 91% F1 score on an unspecified combined dataset. It also generates a one-to-two-sentence 'spoiler' summary after the user opens the article. |
Neden ÖnemliWhy it mattersYanlış yönlendiren başlıklar, düşük kaliteli bilgi tüketiminin kalıcı bir sürücüsü olmaya devam ediyor. Hafif, istemci tarafında çalışan bir algılayıcı, yükü platform küratörlüğünden bireysel kullanıcılara kaydırabilir. 'Spoiler' yaklaşımı, okuyucuya makalenin özünü iki cümlede sunarak tıklama tuzağını ödüllendiren teşvik yapısını doğrudan hedef alıyor. Araç gerçek tarayıcı ortamında güvenilir şekilde çalışırsa, şeffaf olmayan platform düzeyi içerik filtrelerine karşı pratik ve gizliliği koruyan bir alternatif sunar.Misleading headlines remain a persistent driver of low-quality information consumption. A lightweight, client-side detector can shift the burden from platform curation to individual users. The 'spoiler' approach directly targets the incentive structure that rewards clickbait by presenting the article's essence in two sentences. If the tool works reliably in real browser environments, it offers a practical, privacy-preserving alternative to opaque platform-level content filters. |
Öne ÇıkanlarHighlights
|
EleştiriCritical take%91 F1 skoru, yanlış pozitif oranları, alan çeşitliliği veya gerçek zamanlı gecikme gibi eklentinin canlı tarayıcıda gerçekten işe yarayıp yaramayacağını belirleyecek metriklerin kırılımı olmadan, belirsiz bir 'açık birleşik veri kümesi' üzerinde raporlanıyor. Katkı, XGBoost ve LLM gömmeleri gibi hazır bileşenlerin yetkin bir mühendislik entegrasyonu gibi okunuyor; metodolojik bir ilerleme değil. 'Spoiler' özelliği zekice olsa da, aslında herhangi bir genel amaçlı LLM'in özel bir boru hattına ihtiyaç duymadan zaten yapabildiği kısa özetleme görevinden ibaret.The 91% F1 score is reported on an unspecified 'combined open dataset' without a breakdown of metrics that would determine if the extension actually works in a live browser, such as false positive rates, domain diversity, or real-time latency. The contribution reads like a competent engineering integration of off-the-shelf components like XGBoost and LLM embeddings, rather than a methodological advancement. While the 'spoiler' feature is clever, it is essentially just the short summarization task that any general-purpose LLM can already perform without a specialized pipeline. |