ClickGuard：利用信息量度量和大型语言模型检测和破坏点击诱饵新闻
一款名为ClickGuard的新型AI驱动浏览器扩展，采用混合机器学习方法，结合Transformer嵌入和语言特征，以91%的F1分数检测点击诱饵。它在访问前后提供警告，显示点击诱饵可能性百分比，并提供摘要破坏，帮助用户避免误导性文章。
随着互联网信息爆炸，点击诱饵（Clickbait）新闻日益泛滥，这类标题往往夸大其词，诱导用户点击，却提供低质量内容。为了解决这一问题，研究人员开发了一款名为ClickGuard的AI驱动浏览器扩展，旨在检测并破坏点击诱饵，帮助用户避免误导性文章。
ClickGuard的核心是一个混合机器学习架构。它结合了基于Transformer的嵌入（embedding）与语言特征（linguistic features），并引入了一个自定义的“诱饵程度”（baitness）评分。研究团队评估了多种自然语言处理技术，从经典的向量化方法到大型语言模型（LLM）嵌入，最终开发出基于XGBoost的模型。该模型在开放组合数据集上取得了91%的F1分数，表现优异。
该工具的一大亮点是能够在用户访问点击诱饵文章前后发出警告。当用户打开一篇文章时，扩展会显示一个百分比分数，指示该文章属于点击诱饵的可能性。此外，预测结果基于分析指标进行解释，包括系统专门开发的指标，让用户了解为何文章被判定为点击诱饵。更实用的是，ClickGuard还提供点击诱饵的“剧透”（spoiler）——用一到两句话总结全文内容，使用户无需点击即可了解文章要点，从而避免被骗点击。
该研究还提供了演示视频（YouTube链接），展示了扩展的实际效果。ClickGuard的设计不仅提升了检测准确性，还通过透明解释和即时摘要增强了用户体验。未来，这类工具可能集成到更多浏览器中，帮助用户在海量信息中识别真伪，降低点击诱饵的影响。
论文由Wojciech Michaluk等五位作者于2026年5月18日提交至arXiv，编号2607.20463，属于人工智能（cs.AI）领域。目前DOI正在注册中。该研究为应对在线误导信息提供了新的实用工具，尤其适用于新闻阅读场景。