Machine learning model volgt nepnieuws
Israëlische onderzoekers hebben een machine leaning model ontwikkeld dat factcheckers kan helpen met het identificeren van met misinformatie op social media.
Nepnieuws is een hardnekkig probleem. In de aanloop naar de Amerikaanse verkiezingen neemt de verspreiding daarvan flink toe. Complottheorieën en misinformatie kunnen kiezers immers manipuleren. Factcheckers krijgen het daardoor zo druk dat ze overweldigd worden door de hoeveelheid van de berichten. Het is ontzettend veel werk om al het nepnieuws te weerleggen.
Machine learning
Gelukkig schiet de wetenschap te hulp. Onderzoekers van de Ben-Gurion Universiteit van de Negev in Israël hebben een methode ontwikkeld die factcheckers kan helpen de toenemende hoeveelheid misinformatie op sociale media bij te houden. Een machine learning model volgt diverse nepnieuwsbronnen, in plaats van individuele artikelen of berichten.
Het team onder leiding van dr. Nir Grinberg en professor Rami Puzis ontdekte dat deze aanpak de last voor factcheckers aanzienlijk kan verlagen en op den duur betrouwbare resultaten kan opleveren. “We hebben een machine learning-aanpak ontwikkelen die factcheckers kan helpen hun aandacht beter te richten en hun productiviteit te verhogen”, legt Grinberg uit.
Hun bevindingen werden gepubliceerd als onderdeel van de Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. Dit congres werd eind augustus gehouden in Barcelona, Spanje.
Social media
Bronnen van nepnieuws verschijnen en verdwijnen over de jaren heen vrij snel. Het bijhouden van lijsten met websites is erg kostbaar en arbeidsintensief. Het systeem van de onderzoekers houdt rekening met de informatiestroom op social media en de ‘honger’ van het publiek naar onwaarheden. Dit systeem lokaliseert meer websites en is robuuster in de loop van de tijd.
De op doelgroepen gebaseerde modellen van de onderzoekers presteerden veel beter dan de meer gebruikelijke aanpak om te kijken wie desinformatie deelt: 33% bij het bekijken van historische gegevens en 69% bij het bekijken van bronnen zoals ze in de loop van de tijd ontstaan. De onderzoekers tonen dat hun aanpak even nauwkeurig is bij het identificeren van nepnieuwsbronnen, terwijl er minder dan een kwart van de factcheckingkosten voor nodig is.
Geen vervanging factcheckers
Het systeem heeft weliswaar meer training nodig in scenario’s uit de echte wereld en het mag nooit menselijke factcheckers vervangen, maar ‘het kan de dekking van de factcheckers van vandaag de dag enorm uitbreiden’, zegt Grinberg, lid van de afdeling Software and Information Systems Engineering. Prof. Puzis is lid van dezelfde afdeling.
Hoewel Grinberg en zijn team hebben aangetoond dat deze aanpak factcheckers kan helpen bij hun missie om de integriteit van verkiezingen te waarborgen, is het de vraag of social mediaplatforms de handschoen oppakken, of op zijn minst de nodige middelen in data en toegang voor anderen bieden om misinformatie te bestrijden.
Bronnen:
New machine learning model can identify fake news sources more reliably (techxplore.com)
Leveraging Exposure Networks for Detecting Fake News Sources | Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining