AI-tool Detecteert Nauwkeurigheid En Politieke Bias In Nieuwsbronnen

• Nieuw machine learning algoritme focust op nieuwsbronnen in plaats van alleen individuele claims te scrapen, om fake en bias nieuws te detecteren.
• Voor nieuwe nieuwsartikelen bereikte het een nauwkeurigheid van tot 70%.
• Het vereist slechts 150 artikelen om te bepalen of de bron vertrouwd kan worden of niet.

Sociale mediaplatformen hebben het extreem makkelijk gemaakt voor iedereen om informatie op het internet te delen en te verspreiden. Dit heeft geleid tot de proliferatie van nepnieuws wat meestal gegenereerd wordt om either de sentimenten van mensen te veranderen en grote gebeurtenissen zoals politieke verkiezingen te beïnvloeden, of om verkeer aan te trekken en inkomsten te genereren door advertenties te tonen.

Terwijl veel tech-giganten significante resources inzetten om hun eigen nepnieuws-detectiesystemen te bouwen, geloven onderzoekers van MIT en Qatar Computing Research Institute dat de beste strategie om nepnieuws te detecteren is om te focussen op de nieuwsbronnen in plaats van alleen individuele claims te analyseren.

Met deze benadering hebben ze een nieuwe machine learning-gebaseerde methode ontwikkeld die bepaalt of een bron betrouwbaar is of niet. Eigenlijk karakteriseert het gehele nieuwsmedia, voorspellend de feiticiteit van verslaggeving.

Hoe Het Biased Nieuws Bepaalt?

Om nepnieuws betrouwbaar te identificeren, kan men zoeken naar gemeenschappelijke linguïstische kenmerken zoals structuur, complexiteit en sentiment in het artikel. Bijvoorbeeld, die meeste nepnieuws emotionele, subjectieve en hyperbolische taal gebruiken.

In deze studie experimenteerden ze met verschillende kenmerken afgeleid van:

1. Content van doel nieuwsbronnen,
2. zijn Twitter-account en Wikipedia-pagina
3. zijn URL-structuur
4. het aantal bezoekers dat het krijgt

Ze verzamelden data van een website Media Bias/Fact Check. Met behulp van menselijke reviewers onderzoekt deze website de feiticiteit en biases van bijna tweeduizend nieuwsites, inclusief populaire mediasources en dunne content farms.

Referentie: arXiv:1810.01765 | MIT

Deze data werden gevoerd naar een machine learning model, dat is ontwikkeld om bronnen op dezelfde manier te classificeren als de menselijke-review-website. Het model leverde indrukwekkende resultaten: voor nieuwe nieuwsartikelen bereikte het een nauwkeurigheid van 65% bij het bepalen of het artikel een lage, medium of hoge mate van feiticiteit had, en het was 70% nauwkeurig bij het bepalen of de content rechts, links of gematigd was.

Afbeelding credit: MIT

De onderzoekers claimen dat het systeem slechts 150 artikelen nodig heeft om nauwkeurig te bepalen of de bronwebsite vertrouwd kan worden of niet. Dus het kan nepnieuws filteren voordat ze zich te wijd op het internet verspreiden.

Wat Is De Volgende Stap?

Onderzoekers werken momenteel aan het systeem om de nauwkeurigheid te verbeteren en het te laten werken in combinatie met conventionele feiten-analyzers. Als het systeem 'rare of verwarrende' uitkomsten geeft op een specifiek onderwerp, kunnen handmatig-reviewplatforms die resultaten snel controleren en bepalen welke geldigheid aan verschillende perspectieven gegeven moet worden.

De auteurs hebben ook een open-source dataset gegenereerd van bijna duizend nieuwswebsites getagd met nauwkeurigheids- en bias-scores. Ze plannen ook mobiele apps uit te rollen om mensen te helpen hun politieke bubbels te verlaten. Bovendien zullen ze proberen het systeem te trainen om met andere talen te werken. Ze willen verder gaan dan rechts/links bias en andere vormen van bias modelleren die relevanter zijn voor andere regio's.

Lees ook: Een Nieuw Generiek Algoritme Om Valse ID's Op Sociale Netwerksites Te Detecteren

Dit type algoritmes kan mensen helpen begrijpen wat bogus sites eruitzien en welk type artikelen ze neigen te publiceren.