בעולם שבו אלפי ידיעות מתחרות על תשומת הלב שלנו, כותרת מסקרנת עשויה לקבוע אם נקרא כתבה או נתעלם ממנה. אלא שהמרדף אחר הקלקות מעודד לעיתים כותרות דרמטיות, מוגזמות או כאלה שמבטיחות יותר מכפי שהתוכן מקיים. התופעה, המכונה קליקבייט, עלולה לפגוע באמון הקוראים. כניסתה של הבינה המלאכותית הגנרטיבית לעולם התקשורת מחדדת את הדילמה: כיצד אפשר לייצר כותרות מושכות בלי לפגוע באמינותן?
מחקרה של ד"ר יהודית אפרשטיין LLM-guided headline rewriting for clickability enhancement without clickbait  שפורסם בכתב העת Scientific Reports , מציע גישה חדשה להתמודדות עם האתגר. החוקרים פיתחו שיטה שבה שני מודלים ייעודיים מכוונים מודל שפה בזמן יצירת הכותרת: האחד מעודד מאפיינים המעוררים סקרנות ועניין, והשני מרסן נטייה לקליקבייט. בניגוד להנחיה רגילה למודל שפה, המנגנון מתערב בתהליך בחירת המילים ומאפשר לשלוט באיזון בין שתי המטרות.
האתגר המדעי נובע מכך שקליקבייט אינו בהכרח תופעה נפרדת מסקרנות, אלא לעיתים הגזמה של אותם אמצעים לשוניים שהופכים כותרת למעניינת. החוקרים הגדירו שבעה מאפיינים של משיכת תשומת לב, ויצרו מאגר נתונים סינתטי שבו הוגברה עוצמתם באופן מבוקר. באמצעותו אומנו מודלים המסוגלים לזהות מאפיינים אלה ולהשפיע על יצירת הכותרת.  החידוש הוא ביכולת לחזק מאפיין רצוי, כמו סקרנות, ובמקביל לרסן הגזמה, בלי לאמן מחדש את מודל השפה עצמו. בניסויים ובהערכה אנושית נמצא שהשיטה שיפרה את האיזון בין יצירת עניין, צמצום קליקבייט ושמירה על נאמנות למקור, בהשוואה לשיטות שנבדקו.
משמעות המחקר חורגת מעולם העיתונות. הוא מדגים כיצד אפשר לפתח מערכות בינה מלאכותית שמאזנות בין מטרות מתחרות כבר בתהליך יצירת התוכן, ולא רק בודקות את התוצאה בדיעבד. הגישה עשויה להיות רלוונטית גם לפרסום ולתחומים נוספים שבהם קיים מתח בין הרצון להשפיע לבין הצורך לשמור על אמינות.

למאמר המלא >>


Aperstein, Y., Halifa, L., Bar, S., & Apartsin, A. (2026). LLM-guided headline rewriting for clickability enhancement without clickbait. Scientific Reports.