Το AI μπορεί να κατατάσσει μυστικά τις εικόνες με βάση την εταιρεία συσκευής, όχι το περιεχόμενο

Νέα έρευνα ανακαλύπτει ότι δημοφιλείς συστήματα AI που επικεντρώνονται σε εικόνες δεν κοιτάζουν μόνο τι υπάρχει σε μια φωτογραφία, αλλά και πώς η φωτογραφία λήφθηκε. Κρυφές λεπτομέρειες όπως ο τύπος της κάμερας ή η ποιότητα της εικόνας μπορούν να επηρεάσουν σιωπηλά τι σκέφτεται το AI, οδηγώντας σε λάθος αποτελέσματα – απλώς και μόνο επειδή η φωτογραφία προέρχεται από μια διαφορετική συσκευή.

Το 2012 αποκαλύφθηκε ότι ένας ιστότοπος ταξιδιών έδειχνε συνήθως υψηλότερες τιμές σε χρήστες που μπορούσε να καταλάβει ότι περιηγούνται σε συσκευές Apple, ισοδύναμο με την εταιρεία Apple (AAPL ) με υψηλότερη αγοραστική δύναμη. Αργότερα έρευνα κατέληξε στο συμπέρασμα ότι αυτή η εστίαση της συσκευής «μύρωμα τσέπης» είχε γίνει σχεδόν ρουτίνα για τους ιστότοπους ηλεκτρονικού εμπορίου.

Ομοίως, ποια κινητό ή συσκευή λήψης φωτογραφιών έλαβε μια συγκεκριμένη φωτογραφία μπορεί να καθοριστεί με νομικές μέθοδοι, με βάση τις γνωστές χαρακτηριστικές ιδιότητες eines περιορισμένου αριθμού φακών στα μοντέλα. Σε τέτοιες περιπτώσεις, το μοντέλο της συσκευής λήψης φωτογραφιών συνήθως εκτιμάται από οπτικά ίχνη και, όπως το 2012, γνωρίζοντας ποια κάμερα έλαβε μια εικόνα είναι μια потенτικά εκμεταλλεύσιμη ιδιότητα

Αν και οι συσκευές λήψης φωτογραφιών έχουν την τάση να ενσωματώνουν σημαντικά μεταδεδομένα σε μια εικόνα, αυτό το χαρακτηριστικό μπορεί συχνά να απενεργοποιηθεί από τους χρήστες. Ακόμη και όπου είναι ενεργοποιημένο, πλατφόρμες διανομής όπως τα δίκτυα κοινωνικών μέσων μπορεί να αφαιρέσουν κάποια ή όλα τα μεταδεδομένα, είτε για λόγους логιστικής είτε για λόγους προστασίας της ιδιωτικής ζωής, ή και τα δύο.

Ωστόσο, τα μεταδεδομένα στις εικόνες που ανεβάζουν οι χρήστες συχνά είτε επαναγράφονται/ερμηνεύονται (αντί να διαγράφονται) είτε αφήνονται άθικτα, ως δευτερεύον πηγή πληροφοριών όχι για το τι υπάρχει στη φωτογραφία, αλλά για το πώς η φωτογραφία λήφθηκε. Όπως αποκάλυψε το 2012, πληροφορίες αυτού του είδους μπορούν να είναι πολύτιμες – όχι μόνο για εμπορικές πλατφόρμες, αλλά και, потенτικά, για χάκερ και κακόβουλους ηθοποιούς.

Διπλή Οπτική

Μια νέα συνεργασία ερευνών μεταξύ της Ιαπωνίας και της Τσεχίας έχει ανακαλύψει ότι τα ίχνη που αφήνουν η κάμερα και η επεξεργασία εικόνας (όπως η ποιότητα JPEG ή η ευκρίνιση φακού) δεν είναι μόνο ανιχνεύσιμα από νομικά εργαλεία, αλλά και σιωπηλά κωδικοποιημένα στη «παγκόσμια κατανόηση» των οδηγών AI οράματος.

Αυτό περιλαμβάνει CLIP και άλλα μεγάλης κλίμακας οπτικά κωδικοποιητές, που χρησιμοποιούνται ευρέως σε όλα, από μηχανές αναζήτησης μέχρι επιμέλεια περιεχομένου. Η νέα εργασία αποδεικνύει ότι αυτά τα μοντέλα δεν ερμηνεύουν απλώς τι υπάρχει σε μια φωτογραφία, αλλά μπορούν επίσης να μάθουν πώς η φωτογραφία λήφθηκε και αυτό το κρυφό σήμα μπορεί đôi και να υπερβεί το ορατό περιεχόμενο.

Παράδειγμα ζευγών εικόνων από το σύνολο δεδομένων PairCams, που δημιουργήθηκε για να δοκιμαστεί πώς ο τύπος κάμερας επηρεάζει τα μοντέλα εικόνας AI. Κάθε ζευγάρι δείχνει το ίδιο αντικείμενο ή σκηνή φωτογραφημένο την ίδια στιγμή με μια μη κινητή (αριστερά) και μια κινητή (δεξιά) κάμερα. Πηγή: https://arxiv.org/pdf/2508.10637

Η μελέτη ισχυρίζεται ότι ακόμη και όταν τα μοντέλα AI δίνονται βαθιά μασκαρεμένες ή περικομμένες εκδοχές της εικόνας, μπορούν ακόμη να μαντέψουν το είδος και το μοντέλο της κάμερας με εκπληκτική ακρίβεια. Αυτό σημαίνει ότι ο χώρος αναπαράστασης που χρησιμοποιούν αυτά τα συστήματα για να κρίνουν την ομοιότητα εικόνας μπορεί να γίνει μπλεγμένος με άσχετους παράγοντες, όπως η συσκευή του χρήστη, με απρόβλεπτες συνέπειες.

Για παράδειγμα, σε καθήκοντα όπως η ταξινόμηση ή η ανάκτηση εικόνας, αυτό το ανεπιθύμητο «βαρύτητα» μπορεί να οδηγήσει το σύστημα να ευνοεί certains τύπους καμερών, ανεξάρτητα από το τι δείχνει πραγματικά η εικόνα.

Το έγγραφο αναφέρει:

‘Τα μεταδεδομένα που αφήνουν ίχνη στους οπτικούς κωδικοποιητές μέχρι του σημείου να υπερβούν τις σημασιολογικές πληροφορίες μπορεί να οδηγήσουν σε απρόβλεπτες εξελίξεις, να危害 την γενικότητα, τη σταθερότητα και πιθανώς να υπονομεύσουν την αξιοπιστία των μοντέλων.

‘Περισσότερο κρίσιμο, αυτή η επίδραση μπορεί να εκμεταλλευτεί κακόβουλα· για παράδειγμα, μια επίθεση αντίπαλου μπορεί να χειραγωγήσει τα μεταδεδομένα για να εξαπατήσει ή να παραπλανήσει ένα μοντέλο, υποβάλλοντας κίνδυνους σε ευαίσθητες περιοχές όπως η υγεία, η επιτήρηση ή τα αυτόνομα συστήματα.’

Το έγγραφο αναφέρει ότι τα συστήματα Contrastive Visual-Language (CVL) όπως το CLIP, τώρα ένα από τα πιο επιρροήσια κωδικοποιητές στην οπτική, είναι ιδιαίτερα πιθανό να λαμβάνουν τέτοιες εικασίες από τα δεδομένα:

Αποτελέσματα αναζήτησης για μια εικόνα ερωτήματος, που δείχνουν πώς τα μοντέλα βάσης κατατάσσουν παρόμοιες εικόνες όχι μόνο με βάση το οπτικό περιεχόμενο, αλλά και με βάση κρυφά μεταδεδομένα όπως η συμπίεση JPEG ή το μοντέλο κάμερας.

Το νέο έγγραφο έχει τον τίτλο Ιχνηλασία επεξεργασίας και απόκτησης σε οπτικούς κωδικοποιητές: Τι ξέρει το CLIP για την κάμερά σας; και προέρχεται από έξι ερευνητές σε πανεπιστήμια της Ιαπωνίας και της Τσεχίας.

Μέθοδος και Δεδομένα*

Για να δοκιμαστεί η επίδραση των κρυφών μεταδεδομένων στα οπτικά κωδικοποιητές όπως το CLIP, οι συγγραφείς εργάστηκαν με δύο κατηγορίες μεταδεδομένων: παραμέτρους επεξεργασίας εικόνας (όπως η συμπίεση JPEG ή η ευκρίνιση) και παραμέτρους απόκτησης (όπως το μοντέλο κάμερας ή οι ρυθμίσεις έκθεσης).

Αντί να εκπαιδεύσουν νέα μοντέλα, οι ερευνητές αξιολόγησαν 47 ευρέως χρησιμοποιούμενους οπτικούς κωδικοποιητές στην κατάσταση τους «παγωμένης», προ-εκπαιδευμένης, συμπεριλαμβανομένων μοντέλων οπτικής-γλώσσας αντίθεσης, όπως το CLIP, αυτο-επιτηρούμενων μοντέλων όπως το DINO, και συμβατικά επιτηρούμενων δικτύων.

Για τις παραμέτρους επεξεργασίας, οι ερευνητές εφαρμόζουν ελεγχόμενες μεταμορφώσεις στο σύνολο δεδομένων ImageNet και iNaturalist 2018, συμπεριλαμβανομένων έξι επιπέδων συμπίεσης JPEG, τριών ρυθμίσεων ευκρίνισης, τριών κλιμάκων αναδιαμόρφωσης και τεσσάρων μεθόδων διασύνδεσης.

Παραδείγματα εικόνων και συνδεδεμένων αναnotaions από το σύνολο δεδομένων iNaturalist. Πηγή: https://arxiv.org/pdf/1707.06642

Τα μοντέλα δοκιμάστηκαν στην ικανότητά τους να ανακτήσουν κάθε ρύθμιση μεταμόρφωσης χρησιμοποιώντας μόνο το περιεχόμενο της εικόνας, με επιτυχημένες προβλέψεις που δείχνουν ότι ο κωδικοποιητής διατηρεί πληροφορίες σχετικά με αυτές τις επιλογές επεξεργασίας στη διεπαφή του.

Για να εξεταστεί η επίδραση των παραμέτρων απόκτησης, οι ερευνητές συγκέντρωσαν ένα σύνολο δεδομένων 356.459 εικόνων που ονομάζεται FlickrExif, που περιέχει διατηρημένα μεταδεδομένα Exif, και κατασκεύασαν ένα δεύτερο σύνολο δεδομένων που ονομάζεται PairCams, που αποτελείται από 730 ζεύγη εικόνων που λήφθηκαν ταυτόχρονα με μια κινητή και μια μη κινητή κάμερα.

Το σύνολο δεδομένων FlickrExif κατασκευάστηκε χρησιμοποιώντας το API του Flickr για να κατεβάσει εικόνες με συνοδευτικά μεταδεδομένα Exif. Μεταξύ 2.000 και 4.000 ασφαλείς εικόνες συλλέχθηκαν ανά μήνα, χρονολογούμενες από τις αρχές του 2000 μέχρι τα μέσα του 2024, και φιλτράρονταν για να περιλαμβάνουν μόνο αυτές με άδειες που επιτρέπουν την επαναχρήση. Για να αποφευχθεί η υπερεκπροσώπηση από πολύπλοκους χρήστες, κάθε μεμονωμένος συνεισφέρων περιοριζόταν σε δέκα εικόνες ανά μήνα για κάθε δεδομένο έτος.

Για το σύνολο δεδομένων PairCams, κάθε φωτογραφία λήφθηκε χρησιμοποιώντας αυτόματες ρυθμίσεις και χωρίς φλας, επιτρέποντας τη σύγκριση του τρόπου με τον οποίο οι οπτικοί κωδικοποιητές ανταποκρίνονται στις διαφορές στη συσκευή κάμερας μόνο, ανεξάρτητα από το περιεχόμενο της εικόνας:

Παραδείγματα από το σύνολο δεδομένων PairCams που δημιουργήθηκε από τους συγγραφείς.

Οι συγγραφείς δοκιμάστηκαν για δύο συνόλους παραμέτρων: παραμέτρους επεξεργασίας εικόνας, όπως η συμπίεση και οι μεταμορφώσεις χρώματος, και παραμέτρους απόκτησης, όπως το μοντέλο κάμερας ή οι ρυθμίσεις έκθεσης:

Παράμετροι επεξεργασίας και απόκτησης που αναλύθηκαν, με αριθμό τάξεων για καθεμία.

Δοκιμές

Για να καθορίσει εάν οι πληροφορίες σχετικά με την επεξεργασία εικόνας και τον τύπο κάμερας ενσωματώνονται στις αναπαραστάσεις του μοντέλου, οι συγγραφείς εκπαίδευσαν einen ταξινομητή για να προβλέψει τις ετικέτες μεταδεδομένων απευθείας από τις αναπαραστάσεις. Εάν ο ταξινομητής εκτελούσε τόσο καλά όσο η τυχαία догádka, θα υποδείκνυε ότι οι λεπτομέρειες σχετικά με την επεξεργασία ή τη συσκευή δεν έχουν συλληφθεί από το μοντέλο.

Ωστόσο, οποιαδήποτε απόδοση πάνω από την τύχη θα δείχνει ότι αυτά τα τεχνικά ίχνη είναι πραγματικά κωδικοποιημένα και θα μπορούσαν να επηρεάσουν καθήκοντα ροής.

Για να δοκιμαστεί η επίδραση των παραμέτρων επεξεργασίας, οι συγγραφείς έκαναν σε κάθε εικόνα εκπαίδευσης μια τυχαία ρύθμιση επεξεργασίας, όπως ένα συγκεκριμένο επίπεδο συμπίεσης JPEG, ενώ όλες οι εικόνες δοκιμής σε ένα batch μοιράζονταν την ίδια ρύθμιση.

Η μέση ταξινόμηση ακρίβειας σε όλα τα ρυθμίσεις συνδυάστηκε με επαναλαμβανόμενες δοκιμές υπό διαφορετικά σπόρους τυχαίων, ώστε να καθοριστεί εάν οι τεχνικές λεπτομέρειες της επεξεργασίας εικόνας συλλέγονται σταθερά στην εσωτερική αναπαράσταση του μοντέλου:

Ακρίβεια ταξινόμησης για την πρόβλεψη παραμέτρων επεξεργασίας εικόνας από τις αναπαραστάσεις κωδικοποιητή, χρησιμοποιώντας einen γραμμικό ταξινομητή που εφαρμόζεται σε παγωμένα μοντέλα. Τα αποτελέσματα εμφανίζονται για τη συμπίεση JPEG, την ευκρίνιση, την αναδιαμόρφωση και την διασύνδεση, με τρεις κατηγορίες μοντέλων, αντίθεσης οπτικής-γλώσσας (πορτοκαλί), επιτηρούμενων (πράσινο) και αυτο-επιτηρούμενων (μπλε), αξιολογημένων στο ImageNet (πρώτη σειρά) και iNaturalist 2018 (δεύτερη σειρά). Οι βασικές γραμμές τυχαίας догάδκς σημειώνονται με διακεκομένες γραμμές.

Σε όλες τις τέσσερις παραμέτρους επεξεργασίας, τα μοντέλα αντίθεσης οπτικής-γλώσσας έδειξαν την υψηλότερη ικανότητα αναγνώρισης κρυφών επεξεργασιών εικόνας. κάποια από τα μοντέλα πέτυχαν πάνω από 80% ακρίβεια όταν προέβλεψαν τις ρυθμίσεις συμπίεσης JPEG, ευκρίνισης και αναδιαμόρφωσης από τις αναπαραστάσεις ImageNet.

Τα επιτηρούμενα κωδικοποιητές, ιδιαίτερα εκείνοι που βασίζονται στο ConvNeXt, επίσης εκτέλεσαν ισχυρά, ενώ τα αυτο-επιτηρούμενα μοντέλα ήταν συνεχώς πιο αδύναμα.

Η διασύνδεση ήταν η πιο δύσκολη παράμετρος για ανίχνευση, ωστόσο τα κορυφαία μοντέλα CVL και επιτηρούμενα ακόμη πέτυχαν αποτελέσματα πολύ πάνω από τη βασική γραμμή τυχαίας догάδκς 25% και στις δύο βάσεις δεδομένων.

Επόμενο, για να δοκιμαστεί εάν η πληροφορία σχετικά με την κάμερα ενσωματώνεται στις αναπαραστάσεις του μοντέλου, οι συγγραφείς δημιούργησαν ξεχωριστά σύνολα εκπαίδευσης και δοκιμής για κάθε παράμετρο απόκτησης (όπως το μοντέλο κάμερας ή οι ρυθμίσεις έκθεσης).

Για τις περισσότερες παραμέτρους, μόνο οι τάξεις με τουλάχιστον 5.000 παραδείγματα χρησιμοποιήθηκαν· 500 εικόνες τυχαία επιλέχθηκαν για δοκιμή, και τα υπόλοιπα παραδείγματα υποδείχθηκαν ώστε κάθε τάξη να έχει 200 δείγματα εκπαίδευσης. Για τις παραμέτρους «μοντέλο (όλα)» και «μοντέλο (έξυπνο)», που είχαν λιγότερα δεδομένα ανά τάξη, οι συγγραφείς αντί για αυτό χρησιμοποιήθηκαν τάξεις με τουλάχιστον 500 εικόνες, και διέσπασαν κάθε τάξη σε υποσύνολα εκπαίδευσης και δοκιμής σε αναλογία τέσσερα προς ένα.

Οι φωτογράφοι διατήρησαν ξεχωριστούς σε σύνολα εκπαίδευσης, επαλήθευσης και δοκιμής, και ένας απλός ταξινομητής εκπαιδεύτηκε για να προβλέψει πληροφορίες κάμερας με βάση τις χαρακτηριστικές ιδιότητες εικόνας. Για να διασφαλιστεί ότι ο ταξινομητής δεν επηρεάστηκε από το σημασιολογικό περιεχόμενο των εικόνων, το 90% κάθε εικόνας κεντρο-μασκαροποιήθηκε (βλέπε παραδείγματα παρακάτω). Οι συγγραφείς ισχυρίζονται ότι σε αυτό το επίπεδο μάσκαρας, όλα τα οπτικά κωδικοποιητές εκτελούν κοντά στη τυχαία догádka στο ImageNet, υποδεικνύοντας ότι το σημασιολογικό σήμα έχει απομακρυνθεί αποτελεσματικά:

Ακρίβεια επαλήθευσης ImageNet ως συνάρτηση του ποσοστού μάσκαρας. Σε μάσκαρη 90%, όλα τα μοντέλα πέφτουν σε近-τυχαία απόδοση στην πρόβλεψη σημασιολογικών ετικετών, υποδεικνύοντας ότι τα σημασιολογικά σήματα έχουν αφαιρεθεί αποτελεσματικά. Οι παραδείγματα εικόνων στο κάτω μέρος εικονογραφούν τα επίπεδα μάσκαρας.

Ακόμη και με 90% κάθε εικόνας μασκαροποιημένης, τα περισσότερα μοντέλα αντίθεσης οπτικής-γλώσσας και οι επιτηρούμενοι κωδικοποιητές ConvNeXt ακόμη προέβλεψαν ετικέτες κάμερας σε επίπεδα πολύ πάνω από την τύχη. Πολλά μοντέλα CVL ξεπέρασαν το 70% ακρίβεια στην διάκριση εικόνων κινητής και μη κινητής κάμερας.

Άλλοι επιτηρούμενοι κωδικοποιητές, SigLIP, και όλα τα αυτο-επιτηρούμενα μοντέλα εκτέλεσαν πολύ χειρότερα. Όταν δεν εφαρμόστηκε καμία μάσκαρη, τα μοντέλα CVL έδειξαν ξανά την ισχυρότερη συσσώρευση ανά τύπο κάμερας, επιβεβαιώνοντας ότι αυτά τα μοντέλα ενσωματώνουν πληροφορίες απόκτησης πιο βαθιά από τα άλλα:

Εικονογραφίες t-SNE για δύο οπτικούς κωδικοποιητές, με χρώματα που υποδεικνύουν εάν κάθε εικόνα λήφθηκε με κινητή ή μη κινητή κάμερα.

Κάτω Ροή Σημασία

Αφού καθορίστηκε ότι τα μεταδεδομένα επηρεάζουν τα μοντέλα με αυτόν τον τρόπο, η τάση των κρυφών ιχνηλασιών επεξεργασίας να παρεμβαίνουν στην ερμηνεία εικόνας αξιολογήθηκε.

Όταν δύο εκδοχές της ίδιας εικόνας επεξεργάστηκαν διαφορετικά, οι αναπαραστάσεις ήταν συχνά οργανωμένες σύμφωνα με τον «τρόπο επεξεργασίας» αντί για το περιεχόμενο. Σε πολλές περιπτώσεις, μια φωτογραφία με έντονη συμπίεση JPEG αντιμετωπίστηκε ως πιο παρόμοια με μια άσχετη εικόνα με την ίδια ρύθμιση συμπίεσης παρά με την ίδια της μη συμπιεσμένη εκδοχή:

Επίδραση των παραμέτρων επεξεργασίας στην προβλέψη σημασιολογικής, με ακρίβεια ταξινόμησης για ImageNet (πάνω) και iNaturalist (κάτω) υπό πέντε ρυθμίσεις επεξεργασίας. Στην βασική γραμμή, όλες οι εικόνες εκπαίδευσης και δοκιμής μοιράζονται την ίδια ετικέτα επεξεργασίας· στην ρύθμιση all-diff, η εικόνα δοκιμής χρησιμοποιεί μια ετικέτα επεξεργασίας που δεν υπάρχει στο σύνολο εκπαίδευσης· στις ρυθμίσεις pos-same και neg-same, η ετικέτα επεξεργασίας συσχετίζεται είτε με σημασιολογικά παρόμοιες είτε με διαφορετικές εικόνες· στην ρύθμιση uniform, οι ετικέτες επεξεργασίας ανατίθενται τυχαία σε όλο το σύνολο εκπαίδευσης. Τα αποτελέσματα αναφέρονται με k = 10 για ImageNet, και k = 1 για iNaturalist.

Οι ισχυρότερες παραμορφώσεις προκλήθηκαν από τη συμπίεση JPEG, ακολουθούμενη από την ευκρίνιση και την αναδιαμόρφωση, ενώ η διασύνδεση είχε μόνο μια ελαφριά επίδραση. Οι συγγραφείς ισχυρίζονται ότι αυτά τα αποτελέσματα δείχνουν ότι οι ιχνηλασίες επεξεργασίας μπορούν να υπερβούν τις σημασιολογικές πληροφορίες και να καθορίσουν πώς μια εικόνα κατανοείται.

Συμπερασματικά, προειδοποιούν:

‘Ενώ έχουμε ανακαλύψει ότι οι ετικέτες μεταδεδομένων είναι κωδικοποιημένες σε θεμελιώδεις οπτικούς κωδικοποιητές και παρείχαμε ενδείξεις για πιθανές αιτίες, δεν μπορούμε να προσδιορίσουμε με βεβαιότητα την πηγή του προβλήματος. Η διερεύνηση αυτού του ζητήματος είναι δύσκολη λόγω του κόστους της επαναεκπαίδευσης τέτοιων μοντέλων και της συχνής χρήσης ιδιωτικών συνόλων δεδομένων και μη δημοσιευμένων λεπτομερειών υλοποίησης.

‘Αν και δεν προτείνουμε συγκεκριμένες τεχνικές μείωσης, υπογραμμίζουμε το ζήτημα ως一个 σημαντική περιοχή για μελλοντική έρευνα.’

Συμπέρασμα

Στη βιβλιογραφία υπάρχει μια αυξανόμενη νομική ενδιαφέρον σχετικά με τα ίχνη και τα σημάδια του «τρόπου πάνω από το περιεχόμενο»· όσο πιο εύκολο είναι να αναγνωριστεί ένα πεδίο πλαισίου ή ένα συγκεκριμένο σύνολο δεδομένων, τόσο πιο εύκολο είναι να εκμεταλλευτεί αυτή την πληροφορία με τη μορφή, για παράδειγμα, ανιχνευτών deepfake, ή συστημάτων που προορίζονται για την ταξινόμηση της προέλευσης ή της ηλικίας των δεδομένων και των μοντέλων.

Αυτό αντιτίθεται στο βασικό σκοπό της εκπαίδευσης μοντέλων AI, που είναι ότι οι κεντρικές αποσταγμένες έννοιες πρέπει να επιμεληθούν ανεξάρτητα από τα μέσα παραγωγής και δεν πρέπει να φέρουν κανένα ίχνος τους. Πράγματι, τα σύνολα δεδομένων και οι συσκευές λήψης έχουν χαρακτηριστικά και ιδιότητες που είναι πρακτικά αδύνατο να διαχωριστούν από το περιεχόμενο, επειδή αντιπροσωπεύουν από μόνα τους μια «ιστορική προοπτική».

* Το έγγραφο είναι διαμορφωμένο ατυχώς, και θα προσαρμοστούμε όσο το δυνατόν καλύτερα στην ασυνήθιστη μορφοποίηση και παρουσίασή του. Ένα μεγάλο μέρος του υλικού που θα έπρεπε να βρίσκεται σε ένα (μη υφιστάμενο) τμήμα «Μέθοδος» έχει μεταφερθεί σε διάφορα μέρη του παραρτήματος, προφανώς για να περιοριστεί η κύρια εργασία σε οκτώ σελίδες – αν και με το σημαντικό κόστος της σαφήνειας. Εάν έχουμε χάσει οποιαδήποτε ευκαιρία να βελτιώσουμε αυτό, λόγω έλλειψης χρόνου, ζητούμε συγγνώμη.

Πρώτη δημοσίευση Τετάρτη, 20 Αυγούστου 2025