کاهش خطرهای ناشی از محتوای مصنوعی

از «فراداده» (Metadata) می‌توان برای راستی‌آزمایی منشأ محتوا و نحوهٔ تغییر تاریخِ یک قطعه محتوا در گذر زمان استفاده کرد. نهادهای فعلی که در حال تدوین مشخصات برای فراداده به‌منظور راستی‌آزمایی «اصالت» (authenticity) محتوا هستند عبارت‌اند از Coalition for Content Provenance and Authenticity (C2PA) و International Press Telecommunications Council (IPTC). افزون بر این، اطلاعات فرادادهٔ ایمن‌شده‌ای که به کاربران افشا می‌شود می‌تواند به یکپارچگی اطلاعات کمک کند و اعتماد به هویت دیجیتال صادرکنندگان محتوا را افزایش دهد.

«رهگیری» (tracking) «داده‌های اصالت و منشأ» (Provenance data) برای فراداده تنها در صورتی جامع است که نرم‌افزار یا سخت‌افزار به‌کاررفته برای تولید محتوای دیجیتال و هر سکو یا ابزار دیگری که برای تغییر یا انتشار محتوا استفاده می‌شود، از یک چارچوب همکنش‌پذیر واحد برای نگهداری و «امن» (secure)سازی فراداده و ایجاد اطمینان از اینکه نهاد خاصی محتوا را صادر کرده است، بهره گیرد.

برای مثال، IPTC راهنمای کاربرد فرادادهٔ عکس خود را به‌روزرسانی کرده است تا رهنمودهایی برای استفاده از فرادادهٔ درون‌سازی‌شده جهت علامت‌گذاری محتوای «رسانهٔ مصنوعی» تولیدشده توسط سیستم‌های GAI لحاظ شود. این نهاد واژگان «نوع منبع دیجیتال» را توسعه داده است که اکنون طیفی از انواع تولیدشده با AI را در بر می‌گیرد، مانند:

• برخی از ذی‌نفعان صنعت (مانند Google، Midjourney و Shutterstock) در آغاز به‌کارگیری فرادادهٔ IPTC در خروجی‌های خود هستند.

• در یک محیط دیجیتال همکنش‌پذیر مطلوب، افراد به زنجیرهٔ

• اطلاعات منشأِ یک قطعه محتوا دسترسی خواهند داشت تا «شفافیت» (Transparency) محتوا به بیشینه برسد. برای مثال، فرادادهٔ پیوسته به یک تصویر تولیدشده با AI، منشأ و زمان ایجاد آن را همراه با نام هنرمند (به‌شیوهٔ انتخاب داوطلبانه) منتقل می‌کند. هنگامی که آن تصویر در سکویی از شبکه‌های اجتماعی منتشر شود که به چارچوب همکنش‌پذیر پردازش فراداده ملحق شده است، فراداده برای کاربرانِ در تعامل با تصویر در دسترس خواهد بود. با این حال، در عمل، اجرا و مقیاس‌پذیری این امر به دلایل گوناگونی دشوار است؛ از جمله اینکه سکوها به دلایل «حریم خصوصی» (Privacy) و «مدیریت» (Manage) داده‌ها، فراداده را حذف می‌کنند. برخی

• سیستم‌ها و نمونه‌های اولیهٔ پژوهشی نماینده در سال‌های ۲۰۱۸، ۲۰۱۹ و ۲۰۲۱ پیشنهاد شده‌اند.

• 3.1.2.3. مسائل دیگری برای بررسی

حریم خصوصی: در نبودِ «سازوکارها» (mechanisms) و حفاظت‌های حریم خصوصی که همراه با «ضبط» (recording) فراداده به کار گرفته شوند، افراد و سازمان‌ها ممکن است با نشت فرادادهٔ حساس و نقض حریم خصوصی روبه‌رو شوند. برای مثال، اگر کاربران آگاه نباشند که فراداده هنگام ثبت یا تولید محتوای مصنوعی یا اصیل درون‌سازی می‌شود، ممکن است ناخواسته اطلاعات خصوصی دربارهٔ زمان و مکان گرفتن یک تصویر و دستگاه به‌کاررفته را افشا کنند. افزون بر این، توصیه می‌شود همهٔ راهکارهای ضبط فراداده فرایندی برای انتخاب داوطلبانهٔ کاربران لحاظ کنند تا مشخص شود کدام فراداده به دلایل حریم خصوصی می‌تواند حذف شود. سیستم‌هایی که اطلاعات فراداده را میزبانی می‌کنند نیز بهتر است اطمینان حاصل کنند که سازوکارهای حریم خصوصی برای جلوگیری از نشت حریم خصوصی از طریق دیده‌شدن فرادادهٔ حساس در سراسر شبکه فراهم است.

اگر فرادادهٔ پیوسته به محتوا فاقد این کنترل‌ها باشد، حریم خصوصی کاربران—به‌ویژه جمعیت‌های آسیب‌پذیر—ممکن است در معرض «ریسک» (Risk) قرار گیرد. نهادهای مخرب می‌توانند راهکارهای ضبط فراداده را به خدمت گیرند تا گویی به دنبال ترویج شفافیت‌اند، در حالی که هیچ سازوکار انتخاب داوطلبانه‌ای برای برچسب‌گذاری فراداده فراهم نمی‌کنند و به دسترسی به اطلاعات کاربران بهره‌برداری می‌رسانند. بسیاری از سکوها فراداده را از پرونده‌های موجود در اینترنت حذف می‌کنند تا از نشت فراداده جلوگیری شود. توازن میان اشتراک‌گذاری فراداده برای شفافیت محتوا و در عین حال دادن کنترل به کاربران بر داده‌های به‌اشتراک‌گذاشته‌شان، امری حیاتی است.

«قابلیت اعتماد» (Trustworthiness) و یکپارچگی: پژوهش اخیری دربارهٔ منشأ محتوای دیجیتال نشان داد که کاربران هنگامی که اطلاعات منشأ به رسانه‌ای پیوست نشده باشد، به قابلیت اعتماد آن اطمینان ندارند. افزون بر این، پژوهش‌ها نشان می‌دهد کاربران اطلاعات منشأ را از اعتبار خودِ محتوای دیجیتال به‌روشنی تفکیک نمی‌کنند؛ هر دو یافته نقش محدود و پیچیدهٔ اطلاعات منشأ را در پرداختن به «خطرها» (Risks) بداطلاعانی و نادرست‌اطلاعانی در محتوای دیجیتال نشان می‌دهند. سرانجام، امکان دستکاری فراداده می‌تواند حتی ارزشی را که برای افرادی که می‌کوشند محتوا را ارزیابی و درک کنند فراهم می‌آورد، تضعیف کند.

«امنیت» (Security): درون‌سازی فراداده در محتوا طیف گسترده‌ای از نگرانی‌ها را مطرح می‌کند. حملات مخرب به فراداده حتی با وجود زیرساخت امن نیز ممکن است. استفاده از امضای دیجیتال، وضعیت امنیتی یک راهکار ضبط فراداده را مستحکم‌تر می‌کند. افزودن اثبات‌های رمزنگاشتی برای فراداده می‌تواند به پیشگیری از دستکاری داده‌ها کمک کند، زیرا رمزنگاری نامتقارن تضمین می‌کند که فراداده توسط امضاکنندهٔ آن ایمن شده است. با این حال، طرح‌های رمزنگاری و امضاهای دیجیتال بی‌نقص نیستند. انواع مختلفی از حملات مخرب می‌تواند بر امضاهای دیجیتال انجام شود تا «روایی» (Validity) و قابلیت اعتماد آنها تضعیف شود. این حملات از بخش‌هایی از سیستم ایجاد امضای دیجیتال یا سیستم راستی‌آزمایی امضای دیجیتال بهره‌برداری می‌کنند. برای مثال، سیستم ایجاد امضای دیجیتال لزوماً امضاکننده را از امضای سند یا قطعه محتوایی کاملاً متفاوت محافظت نمی‌کند. در این حالت، مهاجم امضاکننده را فریب می‌دهد سندی را امضا کند که به نفع مهاجم باشد یا با منافع امضاکننده ناسازگار باشد. مهاجمان همچنین می‌توانند پیش از محاسبهٔ امضا اطلاعاتی را تغییر دهند؛

• یعنی داده‌هایی را پیش از ایمن‌شدن اضافه یا حذف کنند. این مثال‌ها نشان می‌دهند که حتی با وجود امضاهای دیجیتال، می‌توان از «آسیب‌پذیری‌ها» (Vulnerabilities) برای تعرض به امنیت فراداده بهره‌برداری کرد. رویکردهای کاهش حملات به امضای دیجیتال عبارت‌اند از: تدابیر احراز هویت قوی، به‌روزرسانی منظم نرم‌افزار امضای دیجیتال برای اطمینان از آخرین وصله‌های امنیتی، راستی‌آزمایی اصالت و روایی گواهی‌های دیجیتال پیش از پذیرش اسناد دارای امضای دیجیتال، رمزنگاری داده‌های حساس هنگام ذخیره‌سازی و انتقال، و انجام ممیزی‌های منظم.

• مدیریت و کیفیت فراداده: چالش‌های فنی «مدیریت» فراداده شامل نیاز به فرایندهای سازمانی، مانند اصول مدیریت فراداده، و راهکارهای امنیتی است، همراه با بهینه‌سازی برای عملکرد سیستم و کاهش تأخیر. ارزش فرادادهٔ درون‌سازی‌شده

• به فرایندهای ایجاد، ورود و مدیریت آن وابسته است. برای مثال، سیستم‌های رهگیری فراداده (یا هر فن منشأ) در صورتی موفق‌تر خواهند بود که در میان سکوهای مختلف همکنش‌پذیر باشند و فراداده حذف نشود. نحوهٔ تعامل سیستم‌های بیرونی با سیستمی که فراداده را رهگیری می‌کند، ملاحظه‌ای مهم است. سازمان‌ها می‌توانند انتخاب کنند اصولی برای مدیریت و ایمن‌سازی فراداده در سطح سازمانی وضع کنند. این اصول می‌تواند شامل رهنمودهایی دربارهٔ نحوهٔ ساخت توصیف‌های فراداده به‌گونه‌ای باشد که مفید باشند اما جامع و کامل نباشند؛ این امر همچنین به مقیاس‌پذیری و درک برچسب‌های فراداده کمک می‌کند. کاوش و به‌کارگیری فن‌هایی مانند امضای دیجیتال، همراه با کاهش سربار محاسباتی یا ارتباطی و/یا هزینه‌های تأخیر، می‌تواند به اجرا کمک کند.

• افزون بر این، با منسوخ‌شدن سخت‌افزار، نرم‌افزار و قالب‌های پرونده، نیاز به دسترس‌پذیری مستمر، مهاجرت فراداده به سکوها یا سیستم‌های جدید را ضروری می‌سازد. این مسئله تا حدی می‌تواند با ذخیره‌سازی فراداده در قالب‌هایی که در برابر تغییرات فناورانه «تاب‌آور» (resilient) هستند و با سیستم‌های «آینده» (Future) سازگارند، حل شود. سازگاری فراداده همچنین با استفاده از یک «استاندارد» (Standard) و قالب باز برای فرادادهٔ قابل استفاده و قابل استفادهٔ مجدد تقویت می‌شود.

در پایان، کامل‌بودن و «دقت فراداده» (Metadata accuracy) در مدیریت آن اهمیت دارد. کامل‌بودن فراداده به حضور همهٔ ویژگی‌ها و اطلاعات مرتبط ممکن و لازم برای توصیف کافی یک منبع دیجیتال اشاره دارد. این شامل جزئیات توصیفی، اطلاعات اداری، روابط ساختاری و مشخصات فنی است. فرادادهٔ ناقص می‌تواند ناشی از خطاهای ورود دستی، نبود رهنمودهای استانداردشده، یا فرایندهای خودکاری باشد که از ثبت همهٔ اطلاعات مرتبط ناتوان می‌مانند. دقت فراداده به درستی و «قابلیت اطمینان» (Reliability) اطلاعات موجود در فراداده اشاره دارد. دقت می‌تواند به دلیل خطای انسانی، منابع اطلاعاتی قدیمی یا نادرست، یا ناسازگاری در شیوه‌های ایجاد فراداده خدشه‌دار شود. فرادادهٔ ناقص یا نادقیق می‌تواند به توصیف‌های غیرقابل‌اعتماد از محتوای دیجیتال بینجامد و «شفافیت محتوای دیجیتال» (Digital Content Transparency) را تضعیف کند.

فرصت‌های توسعهٔ بیشتر: پژوهش بیشتری لازم است تا مشخص شود ضبط فراداده چگونه ممکن است بر حریم خصوصی و امنیت کاربران و امنیت خودِ فراداده اثر بگذارد؛ چگونه می‌توان از کاربردها و تغییرات مخلانهٔ ضبط فراداده کاست؛ چگونه ممکن است بر اعتماد و یکپارچگی اطلاعات در محتوای دیجیتال اثر بگذارد؛ توسعهٔ استانداردهای فرادادهٔ استوار و باز چگونه انجام شود؛ و چگونه می‌توان بهترین شیوه‌ها را دربارهٔ موازنهٔ کامل‌بودن در برابر دقت و مسائل مقیاس‌پذیری—مانند مهاجرت فراداده در سکوها یا سیستم‌های جدید در مدیریت فراداده—تدوین کرد.

این بخش توصیف می‌کند که رویکردهای رهگیری داده‌های اصالت و منشأ (Provenance Data) در انواع مختلف محتوا و کاربردها چه میزان استواری (Robustness) و اثربخشی در سطح کنونی دارند.

• تصاویر مصنوعی به‌طور گسترده به‌عنوان عامل مهمی در آسیب‌های ناشی از اطلاعات نادرست، اطلاعات نادرست عمدی، CSAM و NCII شناخته می‌شوند. تکنیک‌های رهگیری داده‌های اصالت و منشأ (Provenance Data Tracking) برای تصاویر بیشتر از هر رسانه دیگری توسعه یافته‌اند، هرچند پذیرش آن‌ها برای کاهش آسیب‌های «محتوای مصنوعی» (Synthetic Content) همچنان پایین است. چارچوب‌هایی مانند C2PA و همچنین پژوهش‌های جاری در حوزه «واترمارک دیجیتال» (digital watermarking)، عمدتاً بر

• رویکردهای رهگیری داده‌های اصالت و منشأ برای تصاویر متمرکز هستند. تصاویر را می‌توان به شیوه‌های گوناگون دستکاری کرد؛ مثلاً با تغییر «پیکسل‌ها» (pixels) یا افزودن لایه‌های روی‌تصویر، و همین امر این رسانه را نسبت به سایر رسانه‌ها برای رویکردهای رهگیری داده‌های اصالت و منشأ مناسب‌تر می‌کند.

• پژوهش‌های اولیه نشان می‌دهند که حتی برای پروتکل‌های واترمارک‌گذاری «پنهان» (covert) و مقاوم نیز امکان حذف، تغییر،

• یا دستکاری کلی علائم آبی وجود دارد. برخی پژوهشگران نیز گزارش کرده‌اند که خانواده‌ای از حملات بازتولید (regeneration attacks) بر علائم آبی نامرئی اعمال‌شده روی تصاویر ممکن است بتواند آن‌ها را بی‌اثر کند. افزون بر این، «کنشگران» (Actors) بدنیت ممکن است بتوانند علائم آبی را روی محتوای غیرقابل‌اعتماد اعمال کنند؛ چه محتوای اصیل و چه محتوای مصنوعی مخرب، تا یکپارچگی اطلاعات را تضعیف کنند. مشکلات مشابهی در زمینه سوءاستفاده‌های بالقوه از «فراداده» (metadata) جاسازی‌شده وجود دارد: ممکن است کنشگران از مشخصات موجود اصالت و منشأ برای نقض «حریم خصوصی» (Privacy) کاربران استفاده کرده و به‌طور کلی یکپارچگی اطلاعات را کاهش دهند، چنان‌که در بخش‌های پیشین بحث شد.

متن با توجه به ماهیتش، به‌مراتب دشوارترین مدالیتی از نظر حفظ «منشأ» (Provenance) به شمار می‌رود؛ تغییر دادن یک پیکسل از یک تصویر با حداقل اعوجاج بسیار آسان‌تر از تغییر دادن یک واژه است. روش‌های رهگیری «داده‌های اصالت و منشأ» (Provenance Data) برای متن می‌تواند چالش‌برانگیزتر باشد، زیرا تغییرات ساختاری در محتوای متنی ممکن است راحت‌تر شناسایی و سپس حذف شود. این موضوع می‌تواند تحت تأثیر ساختار قراردادهای مکتوب، اسناد رسمی دولتی، وبلاگ‌ها، گزارش‌های خبری و سایر مطالب متنی نیز قرار گیرد. بخش عمده‌ای از کارهای گزارش‌شده درباره رهگیری داده‌های اصالت و منشأ برای متن، بر تمایزگذاری میان متن مصنوعی و متن نوشته‌شده توسط انسان متمرکز است. روش‌های اصلی رهگیری که برای مقابله با این مسئله پیشنهاد شده‌اند عبارت‌اند از: «واترمارک‌گذاری» (Watermarking)؛ برآورد پرلپلکسیتی؛ انحنای لگاریتم درست‌نمایی منفی؛ روش‌های تنوع سبک‌سنجی (تمایز میان سبک و ساختار زبانی انسان در مقایسه با سبک متن هوش مصنوعی)؛ برآورد تکانشی بودن (تمایز میان انتخاب واژگان و گستره واژگان انسان در مقایسه با خروجی‌های متنی هوش مصنوعی)؛ و رویکردهای مبتنی بر طبقه‌بند (ساختن طبقه‌بندها بر پایه داده‌های آموزشی متشکل از متن‌های نوشته‌شده توسط انسان و متن‌های تولیدشده توسط هوش مصنوعی).

همه فنون رهگیری داده‌های اصالت و منشأ که در این گزارش بحث شده‌اند، هنگام اعمال بر متن محدودیت‌هایی دارند و می‌توانند در برابر دستکاری آسیب‌پذیر باشند. برای نمونه، روش‌های واترمارک‌گذاری می‌توانند از طریق بازنویسی (پارافریز) توسط انسان‌ها یا ماشین‌ها شکست بخورند یا تضعیف شوند. در مورد برآورد پرلپلکسیتی و تکانشی بودن، برخی پژوهش‌ها نشان داده‌اند که فنون منشأ، سنجه‌ها یا شاخص‌های قابل‌اتکایی برای نوشتار انسانی نیستند—به‌ویژه در بسترهایی مانند نوشتار دانشگاهی یا زبان‌های غیرانگلیسی. در بسیاری از موارد، الگوریتم «تشخیص» (Detection) باید ویژگی‌های خاصی را رهگیری کند، که از نظر محاسباتی پرهزینه است و پیاده‌سازی آن واقع‌بینانه نیست. حتی در میان انسان‌ها، هر فرد سبک نوشتاری خاص خود را دارد و همین امر می‌تواند اتکا به یک راهنمای سبک نگارش جهانی انسانی یا مجموعه‌ای از ویژگی‌ها برای پشتیبانی از تشخیص الگوریتمی را دشوار سازد. سرانجام، روش‌های مبتنی بر طبقه‌بند به‌طور کلی مدل‌های خاصی را هدف می‌گیرند؛ خواه از طریق آموزش بر روی نمونه‌هایی از متن تولیدشدهٔ آن مدل‌ها و خواه از طریق استفاده از خود مدل؛ بنابراین توانایی آن‌ها در طبقه‌بندی متن جدید از مدل‌های ناشناخته می‌تواند به‌شدت کاهش یابد.

گسترش اخیر صدای مصنوعی مبتنی بر هوش مصنوعی تأثیر بزرگی بر کاربردهایی مانند دستیارهای صوتی، تبدیل متن به گفتار، احراز هویت صوتی، موسیقی، کتاب‌های صوتی و پادکست‌ها داشته است. در همین حال، صداهای

• مصنوعی دستهٔ جدیدی از مدل‌های هوش مصنوعی مولد (Generative AI, GAI) مرتبط با جعل هویت صوتی و ضبط‌های صدای مصنوعی پدید آورده‌اند و نگرانی‌هایی دربارهٔ تأثیر منفی جعل‌های عمیق صوتی برانگیخته‌اند.

• چندین الگوریتم «واترمارک‌گذاری» (Watermarking) برای صدا بررسی شده است. بیشتر آن‌ها در دو دسته قرار می‌گیرند: روش‌های «حوزهٔ بسامد» (frequency domain) و روش‌های «حوزهٔ زمان» (time domain). دستهٔ نخست واترمارک‌ها را در ضرایب تبدیل جای می‌دهد که سپس وارون می‌شوند تا واترمارک به‌طور استوار درون فایل صوتی پنهان شود. روش‌های حوزهٔ زمان — که در آن‌ها واترمارک‌ها با تغییر دادن نمونه‌های سیگنال میزبان جاسازی می‌شوند — ساده‌ترند، اما ممکن است فاقد «استواری» (Robustness) باشند. مشکلات اصلی روش‌های موجود برای واترمارک صوتی، استواری و هزینه‌های محاسباتی است، به‌ویژه هنگام در نظر گرفتن صداهای با مدت‌زمان طولانی. همچنین فنون جدیدتری برای واترمارک‌گذاری صوتی وجود دارد، از جمله استفاده از یک شبکهٔ عصبی آموزش‌دیده که آشفتگی‌های «پنهان» (covert) را به

• صدای اصلی می‌افزاید تا واترمارک تولید شود. «فراداده» (Metadata) می‌تواند هنگام ایجاد صدای تولیدشده توسط هوش مصنوعی (AI11) به فایل‌های صوتی افزوده شود و می‌تواند با روش‌های رمزنگاری ایمن‌سازی شود — هرچند چنان‌که در بخش‌های پیشین بحث شد، روش‌هایی برای دستکاری فرادادهٔ جاسازی‌شده وجود دارد.

خطرهای مربوط به اصالت ویدیو با توسعه سریع ابزارهای تولید ویدیو به موضوعی مورد نگرانی عمومی تبدیل شده است. یک ویدیوی دیجیتال ظاهر حرکت در گذر زمان را ارائه می‌دهد. این امر پردازش ویدیوی دیجیتال را داده‌بر می‌کند و به پهنای باند، توان پردازش و فضای ذخیره‌سازی قابل‌توجهی نیاز دارد.

فرایند استخراج و یافتن شواهد از یک ویدیو به‌منظور تأیید اصالت یا یکپارچگی آن، «جرم‌یابی ویدیو» (video forensics) نامیده می‌شود. بسیاری از نظریه‌ها و روش‌های به‌کاررفته در تشخیص جعل ویدیو از جرم‌یابی تصویر وام گرفته شده است. اگرچه تحلیل ویدیو به‌صورت فریم‌به‌فریم با استفاده از تکنیک‌های جرم‌یابی تصویر امکان‌پذیر است، دو دلیل برای ناکارآمدی این رویکرد وجود دارد: ویدیوها از نظر محاسباتی از تصاویر پرزحمت‌تر هستند و روش‌های مبتنی بر تصویر ممکن است برای کاربردهایی مانند تکثیر یا حذف فریم‌ها در ویدیوها قابل‌اعتماد نباشند.

تکنیک‌های دستکاری ویدیو را به‌طور کلی می‌توان به رویکردهای فعال و غیرفعال تقسیم کرد. «واترمارک‌گذاری» (Watermarking) و امضاهای دیجیتال تکنیک‌های فعالی هستند که محتوا را با استفاده از ویژگی‌های موجود در ویدیو راستی‌آزمایی می‌کنند. این داده‌ها سپس در لحظه ضبط یا برداشت در محتوای ویدیو ادغام می‌شوند و به گیرنده منتقل می‌گردند. با این حال، دستکاری می‌تواند پیش از اعمال امضای دیجیتال یا واترمارک رخ دهد. از سوی دیگر، در مورد واترمارک‌هاِ مقاوم در برابر دستکاری، در مواردی که ویدیو ویرایش شود، این امر می‌تواند نشان دهد که ویدیو دستکاری شده است. دسته دیگری از تکنیک‌ها به‌طور فعال به دستگاه‌ها (مثلاً دوربین‌ها، ویدئوضبط‌کننده‌ها) امکان می‌دهند «فراداده» (metadata) حاوی اطلاعات مربوط به منبع ویدیو را در لحظه برداشت درج کنند. این تکنیک‌ها نسبتاً جدید هستند و هنوز به‌طور گسترده استفاده نشده‌اند، هرچند انتظار می‌رود در آینده نزدیک توجه بیشتری به آن‌ها معطوف شود. میان «ظرفیت» (Capacity) واترمارک، نامرئی بودن و «استواری» (Robustness) بده‌بستان‌هایی وجود دارد. برای مثال، افزایش ظرفیت (یعنی درج اطلاعات بیشتر) مستلزم تغییر دادن اجزای بیشتری در محتوای میزبان است که می‌تواند نامرئی بودن را مخدوش کند، در حالی که استواری بالا ممکن است مستلزم محدود کردن ظرفیت باشد تا واترمارک‌هاِ دشوارتر برای تشخیص امکان‌پذیر شوند. از سوی دیگر، افزایش نامرئی بودن ممکن است مستلزم درج واترمارک‌ها به شیوه‌های کمتر آشکار باشد که به‌طور بالقوه به استواری کمتر واترمارک می‌انجامد.

فرصت‌هایی برای توسعه بیشتر: پژوهش بیشتری لازم است تا: درک شود که چگونه کنشگران خصمانه می‌توانند از تکنیک‌های واترمارک‌گذاری و «ضبط» (recording) فراداده در همه حالت‌های محتوایی سوءاستفاده کنند؛ مشخص شود آیا تکنیک‌های «رهگیری» (tracking) «داده‌های اصالت و منشأ» (Provenance data) برای صدا، مانند واترمارک‌گذاری استوار، قابل پذیرش هستند؛ ارزیابی‌های اجتماعی‌فنی برای نحوه طراحی افشاها روی محتوای صوتی شکل گیرد؛ و راهکارهای بهبود کاربرد گسترده این تکنیک‌ها برای محتوای متنی روشن شود. همچنین باید پژوهش بیشتری درباره اثرهای اجتماعی‌فنی و کارایی برچسب‌گذاری محتوای مصنوعی و اصیل و هرگونه تأثیر حاصل از آن بر محیط اطلاعاتی انجام شود.