ClickGuard：利用資訊量度量和大型語言模型檢測和破壞點選誘餌新聞
一款名為ClickGuard的新型AI驅動瀏覽器擴充套件，採用混合機器學習方法，結合Transformer嵌入和語言特徵，以91%的F1分數檢測點選誘餌。它在訪問前後提供警告，顯示點選誘餌可能性百分比，並提供摘要破壞，幫助使用者避免誤導性文章。
隨著網際網路資訊爆炸，點選誘餌（Clickbait）新聞日益氾濫，這類標題往往誇大其詞，誘導使用者點選，卻提供低質量內容。為了解決這一問題，研究人員開發了一款名為ClickGuard的AI驅動瀏覽器擴充套件，旨在檢測並破壞點選誘餌，幫助使用者避免誤導性文章。
ClickGuard的核心是一個混合機器學習架構。它結合了基於Transformer的嵌入（embedding）與語言特徵（linguistic features），並引入了一個自定義的“誘餌程度”（baitness）評分。研究團隊評估了多種自然語言處理技術，從經典的向量化方法到大型語言模型（LLM）嵌入，最終開發出基於XGBoost的模型。該模型在開放組合資料集上取得了91%的F1分數，表現優異。
該工具的一大亮點是能夠在使用者訪問點選誘餌文章前後發出警告。當使用者開啟一篇文章時，擴充套件會顯示一個百分比分數，指示該文章屬於點選誘餌的可能性。此外，預測結果基於分析指標進行解釋，包括系統專門開發的指標，讓使用者瞭解為何文章被判定為點選誘餌。更實用的是，ClickGuard還提供點選誘餌的“劇透”（spoiler）——用一到兩句話總結全文內容，使使用者無需點選即可瞭解文章要點，從而避免被騙點選。
該研究還提供了演示影片（YouTube連結），展示了擴充套件的實際效果。ClickGuard的設計不僅提升了檢測準確性，還透過透明解釋和即時摘要增強了使用者體驗。未來，這類工具可能整合到更多瀏覽器中，幫助使用者在海量資訊中識別真偽，降低點選誘餌的影響。
論文由Wojciech Michaluk等五位作者於2026年5月18日提交至arXiv，編號2607.20463，屬於人工智慧（cs.AI）領域。目前DOI正在註冊中。該研究為應對線上誤導資訊提供了新的實用工具，尤其適用於新聞閱讀場景。