یک مدل جدید یادگیری ماشینی می تواند منابع اخبار جعلی را با اطمینان بیشتری شناسایی کند

اخبار جعلی یک مشکل همیشگی است، اما واقعاً در فصل انتخابات شروع به اوج گیری می کند، زیرا تئوری های توطئه و اطلاعات نادرست منتشر شده توسط بازیگران بد با هدف دستکاری رأی دهندگان است. با نزدیک شدن به انتخابات ایالات متحده در یکی از نزدیک‌ترین رقابت‌ها تاکنون، محققان دانشگاه بن گوریون نقب راهی برای کمک به بررسی‌کنندگان حقایق ایجاد کرده‌اند که با حجم فزاینده اطلاعات نادرست در رسانه‌های اجتماعی همراه شوند.

تیمی به رهبری دکتر نیر گرینبرگ و پروفسور رامی بوسیس دریافتند که ردیابی منابع خبری جعلی، به جای مقالات یا پست‌های فردی، با رویکرد آنها می‌تواند به میزان قابل توجهی بار بر روی واقعیت‌سنجی را کاهش دهد و در طول زمان به نتایج قابل اعتمادی منجر شود.

«مشکل امروز با انتشار اخبار جعلی این است که بررسی‌کننده‌ها نمی‌توانند همه چیز را تأیید کنند، اما دامنه پوشش آنها در دریایی از محتوای رسانه‌های اجتماعی و گزارش‌های کاربران نامشخص است چگونه می توان به این امر دست یافت.» دکتر گرینبرگ توضیح می‌دهد: «واقعیت‌سنجی موفق به مهم‌ترین محتوا برای بررسی دسترسی دارند.»

یافته های آنها اخیراً به عنوان بخشی از منتشر شده است مجموعه مقالات سی امین کنفرانس ACM SIGKDD کشف دانش و داده کاوی.

منابع خبری جعلی در طول سال‌ها بسیار سریع ظاهر می‌شوند و ناپدید می‌شوند، بنابراین نگهداری فهرست‌های سایت بسیار پرهزینه و کار فشرده است. سیستم آنها جریان اطلاعات در رسانه های اجتماعی و “اشتهای” مردم را برای دروغ پردازی در نظر می گیرد، که منجر به شناسایی سایت های بیشتر و قدرتمندتر شدن آنها در طول زمان می شود.

مدل‌های مبتنی بر جمعیت پژوهشگران از رویکرد رایج‌تر در بررسی افرادی که اطلاعات نادرست را با حاشیه زیاد به اشتراک می‌گذارند، عملکرد بهتری داشتند: 33 درصد هنگام مشاهده داده‌های تاریخی، و 69 درصد هنگام مشاهده منابع در زمان ظهور آنها در طول زمان.

نویسندگان همچنین نشان می‌دهند که رویکرد آنها می‌تواند همان سطح از دقت را در شناسایی منابع اخبار جعلی حفظ کند در حالی که کمتر از یک چهارم هزینه‌های بررسی واقعیت را می‌طلبد.

دکتر گرینبرگ، یکی از اعضای دپارتمان مهندسی نرم‌افزار و اطلاعات، می‌گوید: این سیستم به آموزش بیشتری در سناریوهای دنیای واقعی نیاز دارد و هرگز نباید جایگزین حقیقت‌سنجی‌های انسانی شود، اما می‌تواند دامنه واقعیت‌سنجی امروزی را تا حد زیادی گسترش دهد. سیستم ها پروفسور پوزیس یکی از اعضای همین بخش است.

گرینبرگ و تیم او نشان داده‌اند که این رویکرد می‌تواند به راستی‌آمیزان در مأموریت خود برای اطمینان از یکپارچگی انتخابات ما کمک کند، ناشناخته بزرگ در اینجا این است که آیا پلتفرم‌های رسانه‌های اجتماعی با این چالش روبرو خواهند شد یا حداقل ابزارهای لازم را فراهم می‌کنند. در داده ها و دسترسی به دیگران برای مبارزه با اطلاعات نادرست.

تیم تحقیقاتی این مطالعه همچنین شامل Maor Rubin از دپارتمان مهندسی نرم افزار و سیستم های اطلاعاتی در دانشگاه بن گوریون و محقق مستقل لیزا فریدلند بود.