Come l'IA impara a smascherare le fake news in rumeno?

Durante la pandemia, l'ondata di fake news sul COVID-19 ha viaggiato veloce quanto il virus, colpendo anche lingue meno presenti nel mondo digitale, come il rumeno. Per arginare il problema, un team di ricercatori ha creato un nuovo dataset tutto rumeno, raccogliendo articoli falsi legati al virus e dividendoli in "super-narrative": grandi filoni ricorrenti come la propaganda no-vax, le teorie del complotto o l'accusa a potenze straniere.

La sfida era insegnare a un'intelligenza artificiale a riconoscerle automaticamente. Hanno testato diversi modelli linguistici (LLM), incluso LLaMA 3.1 8B, provando quattro strategie: dall'apprendimento zero-shot (senza esempi) al few-shot (pochi esempi), fino al supervisionato classico. Il vero salto di qualità è arrivato con l'apprendimento semi-supervisionato: il modello studia una montagna di testi non etichettati per capire la lingua, poi affina la mira su pochi casi guidati dall'uomo. Risultato? Un F1-score del 78,81%, battendo i vecchi classificatori basati su grammatica e sintassi.

Questo approccio è una boccata d'ossigeno per le "lingue a bassa risorsa", spesso ignorate dai grandi sistemi. Inoltre, apre la strada a fact-checking in tempo reale e spiegazioni trasparenti: l'IA non dice solo "è falso", ma mostra perché e con quali argomenti contrastarlo. Un passo avanti per un'informazione più sana, in qualsiasi lingua.

Lo studio, pubblicato su *Information* (Vol. 16, Art. 796), affronta un gap critico: la maggior parte dei benchmark anti-disinformazione (es. FakeNewsNet, LIAR) è anglo-centrica. I ricercatori hanno costruito **RoCoFake**, un dataset di 4.000+ articoli rumeni (metà annotati a livello di documento con 6 super-narrative: anti-vaccino, complotto, geopolitica, cura alternativa, negazionismo, libertà civile; metà non annotati).

L'architettura vincente usa **LLaMA 3.1 8B** con **LoRA (Low-Rank Adaptation)** per efficienza parametrica. La pipeline semi-supervisionata segue lo schema **Self-Training**: 1) Fine-tuning supervisionato sul subset annotato (10% dati). 2) Inferenza sul pool non annotato per generare pseudo-label ad alta confidenza (soglia > 0.9). 3) Ri-addestramento su dataset unito (reali + pseudo-label). Questo ciclo itera 3 volte.

Risultati chiave: Binary F1 89.2% vs 82.1% (SVM + TF-IDF + feature morfosintattiche UDPipe); Multi-class Macro F1 78.8% vs 65.4% (baseline). L'analisi degli errori rivela confusione tra classi semanticamente sovrapposte (es. "complotto" vs "geopolitica"), suggerendo la necessità di *hierarchical classification* o *contrastive learning* per separare meglio lo spazio latente. Il codice e i dati sono rilasciati open-source per favorire la riproducibilità in contesti multilingue a bassa risorsa.