Fake news został okrzyknięty słowem roku 2017

dodano: 2018-02-15 13:02
autor: Albert Hupa (Jakub Sulisz) | źródło: ircenter.com

Jak wygląda struktura dyskusji o fake news w Polsce? Korzystając z algorytmów do przetwarzania treści poddaliśmy analizie treści tweety wprost odwołujące się do fakenews i pokazaliśmy jak wygląda cykl życia fake news w Internecie.

Prosimy o wyłączenie blokowania reklam i odświeżenie strony.

Jak wygląda struktura dyskusji o fake news w Polsce?
Korzystając z algorytmów do przetwarzania treści poddaliśmy analizie treści tweety wprost odwołujące się do fake news i pokazaliśmy jak wygląda cykl życia fake news w Internecie.

Fake news został okrzyknięty słowem roku 2017.
Google i Facebook zostali zmuszeni do blokowania fake newsów.

W Polsce również Ministerstwo Cyfryzacji weszło w dialog w tej kwestii. W Internecie pojawiły się systemy machine learning i sztucznej inteligencji do automatycznego przetwarzania języka. Dla komputerów to jednak niełatwe zadanie; bardzo trudno zrobić algorytm, który umiałby precyzyjnie nie tylko zidentyfikować – jaką treść należy sprawdzić, ale i – faktycznie ją sprawdzić.

W świecie walki z fake-news obecnie dla największych graczy liczą się wciąż żywi ludzie (ang. fact-checkers).
Facebook i Google zatrudniają tysiące ludzi do faktycznego czytania prawdziwych treści i weryfikowania ich zgodności z odpowiednimi regulacjami. Rządy namawiają Facebooka i Google, żeby rozwijały się współprace z lokalnymi watchdogami / fundacjami / think-tankami dziennikarskimi. W różnych krajach Facebook i Google wprowadzają również zwykłym użytkownikom przyciski do zgłaszania fake newsów.

Komputery nie są może jeszcze optymalne do faktycznego rozumienia treści, ale świetnie sobie radzą z automatyczną analizą językową. Na przykład taką, która została okrzyknięta przez innych jako fake news. Korzystając z rozwiązań do NLP (natural language processing) poddaliśmy analizie treści w social media opublikowane w 2017 roku, które posiadały w treści słowo/hasztag/zwrot – fake news.

Od stycznia do grudnia 2017 r. pojawiło się 115 tys. treści z odniesieniem do fake news.
Najwięcej z nich – 73% – pojawiło się na Twitterze. Korzystając z najnowszego dostępnego rozwiązania do przetwarzania języka polskiego w ekosystemie R i algorytmów do analiz relacji zidentyfikowaliśmy najczęściej współwystępujące słowa w tweetach i konteksty – tematy określane przez analogiczne słowa. Zidentyfikowane najczęściej współwystępujących słów umożliwia – z pewnym prawdopodobieństwem – identyfikacje podobnych treści.

Algorytmy z największą pewnością wskazywałyby fake news, gdyby trafiały na „kłamstwa o wielu reformach".
Niewątpliwie najczęściej jako na fake newsy wskazywałyby też treści o rządzie, PO, rzeczniku/ach, a zwłaszcza takich, które przypominały wzorcową treść okrzykniętą jako fake news w Polsce, czyli aferę 10 sierot. Podejrzane są zdjęcia (określane: „mistrz”), które powodują jako reakcję – okrzyk: „kłamstwo”, a także Węgry i Unia Europejska, a także tematy: emerytura dla Ukraińców i nagrania policji.

Aby móc przyjrzeć się bardziej złożonym strukturom zidentyfikowaliśmy konteksty – grupy wyrazów, które pojawiają się z tą samą regularnością.

Te konteksty układają się w cykl życia treści określanych jako fake news:

Źródła fake newsów, moment ich wypłynięcia, najczęściej w związku z reformami prawnymi lub sondażami,
Dyskusja o nowym fake news niemal zawsze odnosi się do wartości, zasad i innych systemów normatywnych (jako benchmarku dla Polski),
Skutkiem fake news jest okłamywanie wyborców (w skali masowej to rząd RP najczęściej pojawia się w tym kontekście),
Osobnymi działaniami są wypowiedzi przedstawicieli rządu i ich słaby dialog z dziennikarzami,
Negatywnie na tym tle odznaczają się eksperci i to ci z Niemiec (media),
Cykl życia fake news zwykle kończy się poprzez sam proces weryfikowania przez rzetelne media (dziennikarstwo śledcze) i sprostowania osób związanych z tematem.

Czy takie dane umożliwiają detekcję fake news?
Tak, ponieważ w powyższym przypadku zidentyfikowaliśmy treści, przy których pojawiło się oskarżenie o fake news. Wystarczy więc umożliwić algorytmom uczenie się na takim zbiorze, z którego usunięte zostaną po prostu odniesienia do samego fake news. Sami dziennikarze raczej nie będą śledzić fake newsów, ponieważ oni już współtworzą taką dyskusję. Zdecydowanie jest również przestrzeń, żeby 3. sektor mógł monitorować takie dyskusje i uruchamiać określone działania komunikacyjne.

Automatyczna analiza treści tak samo jak do dziennikarstwa, może tak służyć markom i pomagać:

identyfikować kryzysy na pierwszym etapie,
poznać struktury kryzysów i dzięki temu minimalizować,
identyfikować, na którym etapie lejka zakupowego są jakie osoby i zobaczyć, jak różnicuje się język,
poznawać zbitki słów wspierające kreację i tworzenie treści reklamowych.