Автоматизована перевірка фактів може виявити претензії, які проходять мимо людських шашок. Ось два способи їх роботи.

Вони або перевіряють твердження, перевіряючи їх з авторитетним джерелом або статтею, або використовують обчислювальну техніку, яка називається визначенням позицій.

(Shutterstock)

Від неправдивих заяв, що Тепла вода з лимоном захищає від коронавірусу до високий рівень зараження серед військ НАТО, які базуються в Латвії , пандемія дозріла для багатьох видів містифікацій та дезінформаційних кампаній.

З січня по березень це помітив Інститут дослідження журналістики Reuters кількість перевірок фактів зросла на 900% , що, ймовірно, означає ще більший приріст фейкових новин, оскільки багато з них, ймовірно, прослизнули в мережі.

Незважаючи на те, що медіаграмотність має важливе значення для перелому ситуації, використання автоматизації та алгоритмів може допомогти провести масштабну перевірку фактів. У його звіт за 2018 рік , Лукас Грейвс, по суті, виділив два типи автоматизованої перевірки фактів: перевірки фактів, які підтверджують твердження, перевіряючи їх з авторитетним джерелом або вже перевіреною історією, та перевірки фактів, які покладаються на «вторинні сигнали», такі як виявлення позиції — обчислювальна техніка, яка визначає, узгоджується чи не погоджується фрагмент тексту з твердженням.

Ось огляд журналістського використання та дослідницьких проектів, які розглядають обидва аспекти.

кабачок: Лабораторія репортерів Університету Дьюка була експериментувати зі сквошем , комп’ютерна програма, яка перетворює телевізійні субтитри в рядки тексту, а потім порівнює їх із базою даних попередніх перевірок фактів. Мета Squash — майже миттєво перевірити заяви політиків, хоча його дослідницька група визнала, що програма все ж таки потребує допомоги людини, щоб вирішити, чи варто транслювати власні висновки .

Повний факт: Лондонська організація з перевірки фактів Full Fact також здатна виявляти сумнівні заяви за допомогою телевізійних субтитрів , зіставляючи їх із власним каталогом перевірених фактів та використовуючи надійні дані, такі як урядова статистика, для перевірки неперевірених тверджень.

Але навіть достовірні дані потрібно ретельно перевіряти. У звіті Грейвса засновник відділу автоматизації Full Fact підкреслив, що офіційні дані можна легко вирвати з контексту, наприклад, коли рівень вбивств у Сполученому Королівстві зріс у 2003 році, але лише тому, що вбивства, скоєні горезвісним серійним вбивцею, роками раніше були офіційно включені в статистику того часу.

Checkbot: Як сквош і повний факт, контрольний бот — ініціатива аргентинської організації перевірки фактів Chequeado — автоматично сканує національні ЗМІ на предмет суперечливих заяв. Потім він порівнює їх із наявною базою даних і створює текстові файли, якими перевіряючі факти можуть поділитися в соціальних мережах. Але Chequeabot, тим не менш, страждає від відсутності необроблених даних в Аргентині, що спонукає Chequeado дивитися на партнерство з урядом, а також з університетами, аналітичними центрами та профспілками.

Чат-бот IFCN: У розпал пандемії Міжнародна мережа перевірки фактів зібрала базу даних перевірок фактів, яка зараз складається з понад 7000 записів більш ніж 40 мовами. У травні стартував альянс з перевірки фактів власний чат-бот WhatsApp , який може копатися в цій базі даних, щоб відповісти на запит ключового слова користувача. Вперше доступний англійською, чат-бот WhatsApp тепер доступний іспанською, гінді та португальською.

Університет Ватерлоо: Дослідницька група з Університету Ватерлоо, Канада, розглядає виявлення позиції, щоб створити інструмент, здатний виявляти фейкові новини порівнюючи претензії з подібними публікаціями та історіями. Дослідники запрограмували алгоритми, щоб вивчати семантику, знайдену в навчальних даних, і зуміли точно визначити претензії в дев’яти випадках з 10. Вони розглядають своє рішення як допоміжний інструмент, спрямований на фільтрацію фальшивого вмісту, щоб допомогти журналістам переслідувати претензії, які варті розслідування.

З: Одна з проблем, яка випливає з виявлення позиції, полягає в тому, що вона має тенденцію відтворювати наші власні упередження щодо мови. Наприклад, негативні висловлювання вважаються більш імовірними, щоб передати неточний зміст, тоді як стверджувальні, як правило, асоціюються з відчуттям істини. Це те, що дослідницька група MIT знайшла під час тестування алгоритмічних моделей на існуючих наборах даних. Це спонукало їх до розробки нових моделей. Команда також звернула увагу на те, що твердження правдиві в певний момент часу, але більше не точні після певного моменту.

У своїй доповіді Грейвс також вказав на інші сигнали, які могли б допомогти розвінчати фейкову інформацію в масштабі. Вони можуть варіюватися від «стилістичних особливостей, таких як мова, яка використовується в публікаціях у соціальних мережах або передбачуваних новинах», до «положення джерела в мережі» або «спосіб поширення певного твердження чи посилання в Інтернеті».

Але незважаючи на передові автоматизовані рішення, вони все ще стикаються з проблемами багато причин, чому нас приваблюють фейкові новини в першу чергу — чи то упереджені міркування, відволікання уваги чи повторне вплив, наприклад. Крім того, існує додатковий ризик виникнення «ефекту зворотного вогню», а поняття який передбачає, що коли твердження чітко узгоджується з чиїмись ідеями, ця особа ще більше підкріплюється у своїх власних поглядах, коли стає відкритою для правди.

Зрештою, автоматизована перевірка фактів буде успішною лише в тому випадку, якщо буде тісно переплетена з медіаграмотністю.

Семюель Данзон-Шамбо є доктором філософії. дослідник на Проект JOLT , який отримав фінансування від програми досліджень та інновацій Європейського Союзу Horizon 2020 у рамках грантової угоди Марії Склодовської-Кюрі № 765140.