Stanford ve diğer üniversitelerden araştırmacılar, kullanıcı davranışlarındaki zaman boyutunu daha etkili analiz edebilen yeni bir yapay zeka modeli geliştirdi. TAI2Vec adlı bu sistem, öneri algoritmalarının temelini oluşturan item embedding teknolojisine zamansal farkındalık kazandırıyor. Geleneksel yöntemler kullanıcı etkileşimlerini zamansız bir şekilde değerlendirirken, yeni yaklaşım kısa ve uzun vadeli tercihleri birbirinden ayırt edebiliyor. Model, dakikalar arayla yapılan etkileşimlerle aylar arayla yapılanları aynı önemde görmek yerine, her kullanıcının bireysel davranış temposuna uyarlanabiliyor. Bu gelişme, e-ticaret platformlarından sosyal medya algoritmalarına kadar geniş bir yelpazede daha kişiselleştirilmiş ve doğru öneriler sunulmasını sağlayabilir.

Araştırmacılar, demografik adalet ilkelerini gözeten kümeleme problemleri için yeni algoritma geliştirdi. Çalışma, hem grup adaleti hem de çeşitli merkez seçimi kriterlerini aynı anda sağlayan k-merkez, k-medyan ve k-ortalama problemlerine odaklanıyor. Geliştirilen yaklaşım, korumalı öznitelikler içeren veri noktalarını adil bir şekilde kümelere ayırırken, her kümenin hem dengeli demografik dağılıma hem de temsili merkezlere sahip olmasını garantiliyor. Bu tür algoritmaların önemi, yapay zeka uygulamalarında demografik önyargıları azaltma ve sosyal adaleti teknolojik çözümlere entegre etme konularında giderek artıyor.

Araştırmacılar, çok kanallı zaman serisi verilerini tek kanala dönüştüren yeni bir yöntem geliştirdi. UCF (Univariate Channel Fusion) adlı bu teknik, tıbbi cihazlar ve giyilebilir teknolojilerde kullanılan sensör verilerini çok daha az hesaplama gücüyle işleyebiliyor. Yöntem, ortalama, medyan gibi basit matematiksel işlemlerle çoklu veri kanallarını tek kanala indirgiyor. Bu sayede karmaşık yapay zeka modellerine gerek kalmadan etkili sonuçlar elde ediliyor. Özellikle düşük maliyetli IoT cihazları ve gerçek zamanlı uygulamalar için büyük avantaj sağlayan teknik, biyomedikal sinyal analizi ve hareket izleme gibi alanlarda test edildi.

Araştırmacılar, COVID-19 pandemisi sırasında Reddit platformundaki toplulukları analiz ederek bilgi yoğunluğu ile sahte haber yayılımı arasındaki ilişkiyi inceledi. BERT yapay zeka modelini kullanan çalışma, bilgi bombardımanının (information overload) sahte haberlerin artmasına neden olduğunu gösterdi. Gini endeksi ile ölçülen konu çeşitliliği, bilgi yoğunluğunun bir göstergesi olarak kullanılırken, FakeBERT sınıflandırıcısı sahte haberleri tespit etti. Bulgular, genel olarak bilgi karmaşasının arttığı ortamlarda sahte haberlerin de çoğaldığını ortaya koyuyor. Bu durum, pandemi gibi kriz dönemlerinde sosyal medya platformlarında dezenformasyonla mücadelenin önemini vurguluyor.

Sosyal medyada metin, görsel ve video içeriklerinin birlikte kullanılmasıyla yanlış bilgi yayılımı karmaşık bir hal aldı. Araştırmacılar, farklı medya türlerini aynı anda analiz ederek yanlış bilgileri tespit edebilen MOMENTA adlı yeni bir yapay zeka sistemi geliştirdi. Bu sistem, sadece metin veya görsele bakmakla kalmıyor, aynı zamanda bunlar arasındaki tutarsızlıkları ve zaman içindeki değişimleri de inceliyor. Geleneksel yöntemlerin aksine, MOMENTA farklı veri setleri ve konular arasında daha güçlü performans gösteriyor. Sistem, uzman modüller kullanarak çeşitli yanlış bilgi türlerini tanımlayabiliyor ve metinle görseller arasında anlamsal bağlantılar kurabiliyor.

Araştırmacılar, büyük dil modellerinin (LLM) çelişkili bilgiler karşısında hangi kaynakları tercih ettiğini inceledi. 13 farklı açık kaynak yapay zeka modeliyle yapılan kapsamlı deneyler, AI sistemlerinin devlet kurumları ve gazeteler gibi resmi kaynaklardan gelen bilgileri, sosyal medya ve kişisel görüşlere göre daha güvenilir bulduğunu ortaya koydu. Ancak çalışma çarpıcı bir sonuç daha açığa çıkardı: düşük güvenilirlikli kaynaklardan gelen bilgilerin tekrarlanması, AI'ların tercihlerini tamamen tersine çevirebiliyor. Bu bulgular, yapay zeka destekli bilgi sistemlerinin güvenilirliği ve önyargıları konusunda önemli sorular gündeme getiriyor.

Araştırmacılar, makine öğrenmesinde gizlilik koruma ile genelleme performansı arasındaki dengeyi daha iyi anlamamızı sağlayacak yeni bir matematiksel yaklaşım geliştirdi. Çalışma, diferansiyel gizlilik kullanan algoritmaların ne kadar iyi genelleme yapabileceğini tahmin etmek için bilgi teorisi ve tipiklik kavramlarını birleştiriyor. Bu yöntem, özellikle kişisel verilerle çalışan yapay zeka sistemlerinde kritik önem taşıyor. Araştırmacılar, mevcut sınırları önemli ölçüde geliştiren ve hesaplaması kolay formüller sunarak, gizli verilerin güvenliğini korurken algoritma performansını optimize etme konusunda yeni olanaklar açıyor. Bu gelişme, sağlık, finans ve sosyal medya gibi hassas veri alanlarında çalışan yapay zeka sistemleri için büyük pratik değer taşıyor.

Araştırmacılar, sürekli gelişen deepfake teknolojilerine karşı yeni bir savunma sistemi geliştirdi. AIFIND adlı bu sistem, sahte yüz videolarını tespit ederken önceki öğrendiği bilgileri unutmadan yeni sahtecilik türlerini de tanıyabiliyor. Sistem, görüntülerdeki düşük seviyeli yapay izlerden yararlanarak sabit referans noktaları oluşturuyor ve bu sayede özellik kaymasını önlüyor. Geleneksel yöntemlerden farklı olarak, yalnızca ikili sınıflandırma yerine ince taneli hizalama kullanarak daha hassas tespit yapabiliyor. Bu gelişme, sosyal medyada artan deepfake tehdidine karşı önemli bir adım teşkil ediyor.

Araştırmacılar, yapay zekanın grup duygularını videolardan tanıyabilmesi için GAViD adında kapsamlı bir veri seti geliştirdi. 5091 video klibinden oluşan bu veri seti, görüntü, ses ve bağlamsal bilgileri birleştirerek grup dinamiklerindeki duygusal durumları analiz ediyor. Sosyal etkileşimlerdeki karmaşık duygu yapılarını anlama konusunda önemli bir adım olan çalışma, insan-insan etkileşimlerini modellemede yeni olanaklar sunuyor. Bu gelişme, sosyal medya analizi, psikoloji araştırmaları ve insan-bilgisayar etkileşimi gibi alanlarda uygulanabilir.

Araştırmacılar, kullanıcıların geçmiş davranışlarından psikolojik motivasyonlarındaki değişimleri analiz ederek daha etkili öneriler yapan yeni bir yapay zeka sistemi geliştirdi. SRSUPM adlı bu sistem, mevcut öneri algoritmalarının aksine kullanıcıların motivasyonlarındaki dinamik değişiklikleri izleyerek çok daha kişiselleştirilmiş sonuçlar sunuyor. Geleneksel sistemler yalnızca son davranışları tek bir vektöre sıkıştırırken, yeni yaklaşım psikolojik motivasyon değişimlerini sayısal olarak ölçüp çok seviyeli durumları modelliyor. Bu teknoloji, özellikle e-ticaret platformları, müzik servisleri ve sosyal medya uygulamalarında kullanıcı deneyimini önemli ölçüde iyileştirebilir.

Araştırmacılar, Google Haberler üzerinden sistematik haber veri setleri oluşturmak için gelişmiş bir metodoloji geliştirdi. Otomatik web kazıma, büyük dil modeli destekli meta veri çıkarma ve medya kalite değerlendirmesi kombinasyonu kullanılan çalışmada, IFMIF-DONES füzyon enerji projesi örnek olay olarak incelendi. 81 bölge-dil kombinasyonunda uygulanan beş aşamalı veri toplama sistemi, %56 gürültü azaltımı sonrası 1.482 geçerli kayda ulaştı. Sonuçlar ticari basın veri tabanlarıyla karşılaştırıldığında, Google Haberler kayıtlarının %76'sının diğer platformlarda bulunmadığı ortaya çıktı. Sistem, özel yayınlar, kurumsal iletişim ve sosyal medya gönderileri gibi ticari veri tabanlarında eksik olan içerik türlerini yakalayabildi.