Rilevamento di Deepfake Audiovisivi tramite Crowdsourcing Mostra i Limiti Umani

Una recente indagine pubblicata su arXiv (2605.04797) esplora come i lavoratori del crowdsourcing identificano i deepfake audiovisivi. I ricercatori hanno condotto due studi paralleli di crowdsourcing su Prolific, utilizzando i dataset AV-Deepfake1M e Trusted Media Challenge (TMC), che includevano 48 video da ciascun dataset (per un totale di 96) e hanno raccolto 960 valutazioni (10 per ogni video). I risultati indicano che i lavoratori del crowdsourcing raramente identificano erroneamente video autentici come alterati, ma trascurano numerose manipolazioni, mostrando un consenso limitato tra i video. Sebbene aggregare più valutazioni per video migliori il segnale di autenticità, non recupera le manipolazioni trascurate. Questo studio sottolinea l'affidabilità delle valutazioni umane nel contrastare la disinformazione mentre i deepfake diventano più convincenti e semplici da creare.