Para ayudar a las personas a detectar noticias falsas, o crear tecnología que pueda detectar automáticamente contenido engañoso, los académicos primero deben saber exactamente qué son las noticias falsas, según un equipo de investigadores de Penn State. Sin embargo, agregan, eso no es tan simple como parece.

"Existe una crisis real en nuestra comprensión cultural del término 'noticias falsas, 'tanto es así que varios académicos se han alejado activamente de esa etiqueta porque está muy embarrada, confuso y armado por ciertas fuentes partidistas, "dijo S. Shyam Sundar, James P. Jimirro Profesor de Efectos en los Medios y codirector del Laboratorio de Investigación de Efectos en los Medios del Donald P. Bellisario College of Communications.

En un estudio, Los investigadores redujeron una gran cantidad de ejemplos de noticias falsas a siete categorías básicas, que incluyen noticias falsas, contenido polarizado, sátira, informes erróneos, comentario, información persuasiva y periodismo ciudadano. Los investigadores también contrastaron ese tipo de contenido con noticias reales e informaron sus hallazgos en la edición actual de Científico del comportamiento estadounidense .

Los investigadores encontraron que las noticias reales tienen características de mensaje que las diferencian de las diversas categorías de noticias falsas. como la adherencia al estilo periodístico. Las noticias falsas tienden a ser menos gramaticales y menos fácticas, con mayor dependencia de afirmaciones cargadas de emociones, titulares engañosos, etc. También difieren en los tipos de fuentes que usan y cómo las usan.

Además, el estudio notó diferencias en la estructura del sitio, como el uso de direcciones web no estándar y correos electrónicos personales en la sección "Contáctenos". Es más, las diferencias de red se pueden utilizar para ayudar a distinguirlas, con noticias inventadas que circulan principalmente entre las cuentas de las redes sociales y rara vez involucran a los principales medios de comunicación.

Según María Molina, un candidato a doctorado en comunicación de masas y autor principal del artículo, identificando los distintos mensajes, fuente, Las características estructurales y de red de las diferentes formas de noticias en línea son necesarias no solo para ayudar a las personas a detectar noticias falsas, sino también para ayudar a los científicos que utilizan inteligencia artificial (IA) a construir sistemas que algún día puedan alertar automáticamente a las personas sobre el contenido que puede ser información errónea.

"En nuestro propio entorno de medios, recibimos muchos tipos diferentes de contenido, pero no todos están destinados a informar. Sin embargo, todos aparecen en el mismo formato, por lo que es fácil para las personas confundirlos con noticias reales, "dijo Molina." Y, para detectar automáticamente noticias falsas, primero debemos comprender exactamente qué son las noticias falsas y cuáles son las diferentes capas, para que podamos clasificar un contenido como falso en comparación con otro contenido ".

Los investigadores utilizaron una técnica de investigación llamada explicación de concepto para realizar el estudio. El proceso requiere que los investigadores realicen búsquedas exhaustivas de referencias a conceptos, en este caso, noticias falsas, en medios académicos y populares. Luego, los investigadores examinaron cómo se definen las noticias falsas y cómo se miden.

El contenido de noticias en línea también puede carecer de muchas de las señales estructurales que alguna vez usaron las formas más tradicionales de medios que ayudaron a las personas a diferenciar mejor entre las diferentes formas de contenido. Por ejemplo, Una vez apareció un comentario en la sección editorial de un periódico que indicaba que el artículo era una opinión. Además, Es posible que los anuncios se hayan colocado en un recuadro para separarlos del contenido de las noticias. dijo Sundar, quien también es afiliado del Instituto de Ciencias Computacionales y de Datos de Penn State (ICDS), que proporciona a los profesores de Penn State recursos de supercomputación.

Los investigadores sugieren que una mejor comprensión de las diversas formas de noticias falsas y reales podría conducir a un mejor etiquetado del contenido. lo que podría ayudar a restaurar parte de esa segmentación de noticias. Si el contenido está correctamente etiquetado, los consumidores de noticias en línea pueden tener diferentes reacciones a diferentes formas de noticias e información, según Sundar.

"Por ejemplo, si un contenido está etiquetado como noticia directa, entonces es una historia diferente que si está etiquetada como comentario, o sátira, ", dijo." Entonces, pensamos que es muy importante reconocer los diversos elementos de las noticias online para poder calibrar las expectativas de los lectores y también de ciertas figuras públicas que acusan a los medios de falsificación de información ”.

Usar computadoras para detectar automáticamente noticias falsas es difícil porque estos sistemas solo ven el contenido como verdadero o falso. dijo Dongwon Lee, el investigador principal del proyecto y profesor asociado de la Facultad de Ciencias y Tecnología de la Información. Sotavento, que también es afiliado de ICDS, dijo que no siempre es así.

"A medida que encontramos contenido en la vida real, la situación es mucho más complicada y turbia, "dijo Lee." Por ejemplo, a pesar de contener información objetivamente incorrecta, un artículo de sátira no debe etiquetarse ciegamente como falso si el contexto es claro; todavía, al mismo tiempo, si solo se utilizan algunas partes del artículo de sátira, fuera de contexto, en las redes sociales, entonces debería etiquetarse como falso para frenar su propagación ".

Agregó que los hallazgos de este estudio podrían usarse para desarrollar técnicas de inteligencia artificial que puedan identificar múltiples tipos de noticias falsas. que reflejará mejor el entorno de noticias del mundo real.

"Nuestra mejor comprensión en este artículo sobre las características de siete subtipos en el espectro de noticias verdaderas a falsas nos permitirá desarrollar un nuevo tipo de sistema de detección automática capaz de emitir juicios más detallados, ", dijo Lee." Actualmente estamos desarrollando una solución de este tipo utilizando la técnica de aprendizaje supervisado multinomial en el aprendizaje automático ".