Aprendizaje automático puede identificar noticias falsas.

Créditos de las imágenes: BGU PRESS ROOM.

Un nuevo modelo de aprendizaje automático puede identificar fuentes de noticias falsas de forma más fiable.

Las noticias falsas son un problema en crecimiento, y comienzan a aumentar en la temporada electoral, ya que las teorías conspirativas y la desinformación de actores maliciosos buscan manipular a los votantes.

A medida que las elecciones estadounidenses se definen en una de las carreras más reñidas hasta el momento, investigadores de Israel han desarrollado un método para ayudar a los verificadores de datos a mantenerse al día con los crecientes volúmenes de desinformación en las redes sociales.

El equipo dirigido por el Dr. Nir Grinberg y el Prof. Rami Puzis descubrió que rastrear fuentes de noticias falsas, en lugar de artículos o publicaciones individuales, con su enfoque puede reducir significativamente la carga de los verificadores de datos y producir resultados confiables a lo largo del tiempo.

«El problema actual con la proliferación de noticias falsas es que los verificadores de datos están desbordados. No pueden verificar todos los hechos, pero no está claro el alcance de su cobertura en medio de un mar de contenido de redes sociales y alertas de usuarios. Además, sabemos poco sobre cómo los verificadores de datos exitosos son aquellos que llegan al contenido más importante para verificar. Eso nos impulsó a desarrollar un enfoque de aprendizaje automático que pueda ayudar a los verificadores de datos a dirigir mejor su atención y aumentar su productividad», explica el Dr. Grinberg.

Sus hallazgos fueron publicados recientemente en las Actas de la 30ª Conferencia ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos .

Las fuentes de noticias falsas suelen aparecer y desaparecer con bastante rapidez, por lo que mantener listas de sitios es muy costoso y laborioso.

Su sistema tiene en cuenta el flujo de información en las redes sociales y el «apetito» de la audiencia por las falsedades, lo que permite localizar más sitios y es más robusto con el tiempo.

Los modelos basados en la audiencia de los investigadores superaron por amplios márgenes al enfoque más común de observar quién comparte información errónea: 33% cuando se analizaron datos históricos y 69% cuando se analizaron las fuentes en tiempo real.

Los autores también demuestran que su enfoque puede mantener el mismo nivel de precisión en la identificación de fuentes de noticias falsas y requerir menos de una cuarta parte de los costos de verificación de datos.

El sistema necesita más entrenamiento en escenarios del mundo real, y nunca debería reemplazar a los verificadores de datos humanos, pero «puede expandir enormemente la cobertura de los verificadores de datos actuales», dice el Dr. Grinberg.

Aunque Grinberg y su equipo demostraron que este enfoque puede ayudar a los verificadores de hechos en su misión de garantizar la integridad de nuestras elecciones, la gran incógnita aquí es si las plataformas de redes sociales recogerán el guante en este caso o, al menos, proporcionarán los medios necesarios. en datos y acceso para que otros puedan combatir la desinformación.

Comentarios