Zautomatyzowane sprawdzanie faktów może wyłapywać roszczenia, które przemykają się poza ludzkimi kontrolerami. Oto dwa sposoby ich działania.

Weryfikują twierdzenia, porównując je z autorytatywnym źródłem lub artykułem, albo używają techniki komputerowej zwanej wykrywaniem postaw.

(Shutterstock)

Od fałszywych twierdzeń, że picie ciepłej wody z cytryną chroni przed koronawirusem do wysokie wskaźniki skażenia wśród żołnierzy NATO stacjonujących na Łotwie , pandemia dojrzała do wielu rodzajów oszustw i kampanii dezinformacyjnych.

Między styczniem a marcem Instytut Badań nad Dziennikarstwem Reuters zauważył, że liczba weryfikacji faktów wzrosła o 900% , co prawdopodobnie oznacza jeszcze większy wzrost liczby fałszywych wiadomości, ponieważ wiele z nich prawdopodobnie prześlizgnęło się przez sieć.

Chociaż umiejętność korzystania z mediów ma zasadnicze znaczenie dla odwrócenia trendu, wykorzystanie automatyzacji i algorytmów może pomóc w przeprowadzaniu prób weryfikacji faktów na dużą skalę. W jego Raport 2018 , Lucas Graves zasadniczo zidentyfikował dwa rodzaje automatycznego sprawdzania faktów: weryfikacje faktów, które weryfikują twierdzenia poprzez porównywanie ich z autorytatywnym źródłem lub historią, która została już zweryfikowana, oraz weryfikacje faktów, które opierają się na „sygnałach drugorzędnych”, takich jak wykrywanie postawy — technika obliczeniowa, która określa, czy fragment tekstu zgadza się z twierdzeniem, czy nie.

Oto przegląd zastosowań dziennikarskich i projektów badawczych dotyczących obu aspektów.

Zdusić: Laboratorium Reporterów Uniwersytetu Duke'a zostało eksperymentowanie ze squashem , program komputerowy, który przekształca napisy telewizyjne w ciągi tekstu, a następnie dopasowuje je do bazy danych poprzednich weryfikacji faktów. Celem Squasha jest niemal natychmiastowa weryfikacja wypowiedzi polityków, choć jego zespół badawczy nadal przyznał się do programu wymaga ludzkiej pomocy w podjęciu decyzji, czy powinien rozpowszechniać własne ustalenia .

Pełny fakt: Organizacja Full Fact z siedzibą w Londynie, zajmująca się weryfikacją faktów, jest również w stanie: wychwytuj wątpliwe twierdzenia za pomocą napisów telewizyjnych , porównując je z własnym katalogiem zweryfikowanych weryfikacji faktów oraz wykorzystując wiarygodne dane, takie jak statystyki rządowe, w celu weryfikacji niesprawdzonych oświadczeń.

Ale nawet wiarygodne dane muszą być dokładnie sprawdzone. W raporcie Gravesa założyciel Full Fact ds. automatyzacji podkreślił, że oficjalne dane można łatwo wyrwać z kontekstu, na przykład gdy wskaźnik morderstw w Wielkiej Brytanii wzrósł w 2003 roku, ale tylko dlatego, że morderstwa popełnione przez znanego seryjnego mordercę w latach wcześniej były oficjalnie uwzględniane w ówczesnych statystykach.

Checkbot: Jak Squash i Full Fact, checkbot — inicjatywa argentyńskiej organizacji sprawdzającej fakty Chequeado — automatycznie skanuje krajowe media w poszukiwaniu kontrowersyjnych wypowiedzi. Następnie dopasowuje je do istniejącej bazy danych i tworzy pliki tekstowe, które weryfikatorzy faktów mogą udostępniać w mediach społecznościowych. Ale Chequeabot jest jednak dotknięty brakiem surowych danych w Argentynie, co skłania Chequeado do przyjrzenia się partnerstwu z rządem, ale także z uniwersytetami, think tankami i związkami.

Chatbot IFCN: W środku pandemii Międzynarodowa Sieć Kontroli Faktów stworzyła bazę danych weryfikacji faktów, składającą się obecnie z ponad 7000 wpisów w ponad 40 językach. W maju rozpoczął się sojusz sprawdzający fakty własny chatbot WhatsApp , który jest w stanie przeszukać tę bazę danych, aby odpowiedzieć na żądanie użytkownika dotyczące słów kluczowych. Po raz pierwszy dostępny w języku angielskim, Chatbot WhatsApp jest teraz dostępny w języku hiszpańskim, hindi i portugalskim.

Uniwersytet Waterloo: Zespół badawczy na Uniwersytecie Waterloo w Kanadzie, przygląda się wykrywaniu postaw, aby zbudować narzędzie do wykrywania fałszywych wiadomości porównując twierdzenia z podobnymi postami i historiami. Naukowcy zaprogramowali algorytmy, aby uczyć się na podstawie semantyki znalezionej w danych treningowych i udało im się dokładnie określić roszczenia dziewięć razy na 10. Przewidują, że ich rozwiązanie jest narzędziem pomocniczym mającym na celu odfiltrowanie fałszywych treści, aby pomóc dziennikarzom w dochodzeniu roszczeń wartych zbadania.

Z: Jednym z problemów, który wynika z wykrywania postaw, jest to, że ma ono tendencję do powielania naszych własnych uprzedzeń wobec języka. Na przykład negatywne stwierdzenia są postrzegane jako bardziej prawdopodobne, że przekazują nieprecyzyjne treści, podczas gdy twierdzące są zazwyczaj kojarzone z poczuciem prawdy. Co to jest znaleziono zespół badawczy MIT podczas testowania modeli algorytmicznych na istniejących zbiorach danych. To skłoniło ich do opracowania nowych modeli. Zespół zwrócił również uwagę na problem twierdzeń, które są prawdziwe w danym momencie, ale nie są już prawdziwe po pewnym momencie.

W swoim raporcie Graves wskazał również na inne wskazówki, które mogą pomóc obalać fałszywe informacje na dużą skalę. Mogą się one wahać od „cech stylistycznych, takich jak rodzaj języka używanego w poście w mediach społecznościowych lub rzekomym raporcie informacyjnym”, po „pozycję w sieci źródła” lub „sposób, w jaki określone twierdzenie lub łącze rozpowszechnia się w Internecie”.

Jednak tak zaawansowane, jak rozwiązania zautomatyzowane, wciąż są wyzwaniem: wiele powodów, dla których ciągnie nas do wiary w fałszywe wiadomości po pierwsze – czy jest to stronnicze rozumowanie, rozproszona uwaga, czy powtarzające się narażenie. Co więcej, istnieje dodatkowe ryzyko wystąpienia „efektu odwrotnego ognia”, a pojęcie to przewiduje, że gdy twierdzenie silnie łączy się z czyjś poglądami, ta osoba jest jeszcze bardziej wzmocniona w swoich własnych poglądach, gdy zostanie wystawiona na kontakt z prawdą.

Ostatecznie automatyczne sprawdzanie faktów będzie skuteczne tylko wtedy, gdy będzie ściśle powiązane z umiejętnością korzystania z mediów.

Samuel Danzon-Chambaud jest doktorem. badacz na Projekt JOLT , który otrzymał dofinansowanie z unijnego programu badań i innowacji Horyzont 2020 w ramach umowy o grant Marie Skłodowska-Curie nr 765140.