Jak liczymy wynik — i czego nie potrafimy
Uczciwość metodologiczna to fundament tego produktu: wolimy powiedzieć „nie wiemy”, niż zgadywać. Poniżej pełny opis podejścia.
Zasada nadrzędna: pasmo, nie wyrok
Nigdy nie odpowiadamy binarnie „fejk / nie fejk”. Wynik to kalibrowane pasmo prawdopodobieństwa z rozpisanymi sygnałami, na których się opiera. Etykietę ryzyka („prawdopodobnie fejk”) nadajemy dopiero wtedy, gdy zgadza się co najmniej dwóch niezależnych detektorów — pojedynczy głos nigdy nie wystarcza.
Obrazy: niezależne głosy w ensemble
Każdy obraz oceniają równolegle: komercyjny detektor Sightengine (generacja AI + deepfake), nasz własny hostowany model (Community Forensics, ViT — trenowany na materiałach z tysięcy generatorów, uruchamiany na naszej infrastrukturze) oraz warstwa pochodzenia: metadane C2PA/EXIF/XMP i charakterystyczne markery generatorów (np. Midjourney). Zanim cokolwiek policzymy, sprawdzamy też, czy identyczny plik nie był już analizowany (deduplikacja po skrócie kryptograficznym).
Reguła asymetrii metadanych
Podpis C2PA generatora to mocny dowód syntetyczności. Ale w drugą stronę to nie działa: brak metadanych niczego nie dowodzi — platformy społecznościowe standardowo je usuwają. Dlatego „brak danych o pochodzeniu” komunikujemy neutralnie i nigdy nie traktujemy go jako argumentu za autentycznością.
Teksty i linki: twierdzenia, debunki, narracje
Z tekstu wyodrębniamy weryfikowalne twierdzenia i sprawdzamy je w trzech źródłach: bazie zweryfikowanych debunków fact-checkerów (Google Fact Check, indeksuje m.in. polskie redakcje), naszym indeksie ponad 19 000 udokumentowanych narracji prokremlowskiej dezinformacji (EUvsDisinfo, aktualizowany co tydzień; dopasowanie działa międzyjęzykowo — rosyjska narracja „dopasuje się” do polskiego tekstu) oraz w bieżącym wyszukiwaniu internetowym z cytowanymi źródłami. Werdykt dla treści jest słowny (np. „manipulacja”, „nie da się potwierdzić”) — celowo bez procentów, bo prawdziwość twierdzeń nie jest wielkością ciągłą.
Czego ta metoda NIE potrafi
Mówimy o tym wprost: (1) skuteczność najlepszych detektorów obrazów na materiałach „z internetu” to według niezależnych badań ok. 78–82%, a najświeższe generatory bywają wykrywane słabiej; (2) zrzut ekranu i wielokrotna rekompresja zacierają ślady — gdy materiał jest mocno przetworzony, obniżamy pewność werdyktu zamiast udawać, że jej mamy; (3) detektory oceniają ślady generacji, nie kontekst — prawdziwe zdjęcie użyte w fałszywym kontekście wymaga weryfikacji źródła, nie pikseli.
Kalibracja i nasz benchmark
Wagi i progi głosów kalibrujemy na własnym, polskim zbiorze testowym (świeże generacje „przepuszczone” przez kompresję platform społecznościowych + prawdziwe zdjęcia agencyjne), który stale rozbudowujemy. Zgodnie z zasadą zero zmyślonych liczb — wyniki benchmarku opublikujemy, gdy zbiór osiągnie reprezentatywny rozmiar, razem z opisem próby.
Kanał odwołań
Każdy wynik ma przycisk „Zgłoś błędną ocenę”. Zgłoszenia trafiają prosto do nas, a potwierdzone błędy zasilają rekalibrację — surowe odpowiedzi detektorów przechowujemy właśnie po to, by móc się z nich rozliczyć.
Kontekst prawny
Od 2 sierpnia 2026 r. art. 50 unijnego AI Act wymaga oznaczania deepfake’ów. czytofejk.pl pomaga sprawdzać materiały, które takiego oznaczenia nie mają — ale nasz wynik jest oceną techniczną, nie rozstrzygnięciem prawnym (szczegóły w regulaminie).