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

Las noticias falsas son un problema perenne, pero realmente comienzan a intensificarse en la temporada electoral, cuando las teorías de conspiración y la desinformación de los malos actores apuntan a manipular a los votantes. Mientras las elecciones estadounidenses se acercan al final de una de las contiendas más reñidas hasta el momento, investigadores de la Universidad Ben-Gurion del Néguev han desarrollado un método para ayudar a los verificadores de hechos a mantenerse al día con los crecientes volúmenes de información errónea 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 con el tiempo.

«El problema actual con la proliferación de noticias falsas es que los verificadores de datos están abrumados. No pueden verificar todo, pero la amplitud de su cobertura en medio de un mar de contenido de redes sociales y banderas de usuarios no está clara. Además, sabemos poco sobre cómo Los verificadores de datos exitosos están en llegar al contenido más importante para verificar. Eso nos impulsó a desarrollar un enfoque de aprendizaje automático que puede ayudar a los verificadores de datos a dirigir mejor su atención y aumentar su productividad», explica el Dr. Grinberg.

Sus hallazgos fueron publicado recientemente como parte del Actas de la 30ª Conferencia ACM SIGKDD sobre descubrimiento de conocimientos y minería de datos.

Las fuentes de noticias falsas tienden a aparecer y desaparecer con bastante rapidez a lo largo de los años, por lo que mantener listas de sitios es muy costoso y requiere mucha mano de obra. Su sistema considera el flujo de información en las redes sociales y el «apetito» de la audiencia por las falsedades, que localiza más sitios y es más robusto en el tiempo.

Los modelos basados ​​en la audiencia de los investigadores superaron el enfoque más común de observar quién comparte información errónea por amplios márgenes: 33% cuando se analizan datos históricos y 69% cuando se analizan las fuentes a medida que surgen con el tiempo.

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

El sistema necesita más capacitación en escenarios del mundo real y nunca debería reemplazar a los verificadores de datos humanos, pero «puede ampliar en gran medida la cobertura de los verificadores de hechos actuales», dice el Dr. Grinberg, miembro del Departamento de Ingeniería de Software y Sistemas de Información. El Prof. Puzis es miembro del mismo departamento.

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

El equipo de investigación de este estudio también incluyó a Maor Reuben del Departamento de Ingeniería de Software y Sistemas de Información de BGU y a la investigadora independiente Lisa Friedland.