新的机器学习模型可以更可靠地识别虚假新闻来源

Josiah02

虚假新闻是一个长期存在的问题，但在选举季才真正开始加剧，因为阴谋论和不良分子的虚假信息旨在操纵选民。随着美国大选进入白热化阶段，这是迄今为止最激烈的竞选之一，内盖夫本·古里安大学的研究人员开发了一种方法，帮助事实核查人员跟上社交媒体上越来越多的虚假信息。
Nir Grinberg 博士和 Rami Puzis 教授领导的团队发现，采用他们的方法追踪虚假新闻来源而不是个别文章或帖子，可以显著减轻事实核查人员的负担，并随着时间的推移产生可靠的结果。
“如今，虚假新闻泛滥的问题在于事实核查员不堪重负。他们无法核实所有内容，但在社交媒体内容和用户标记的海洋中，他们的覆盖范围尚不清楚。此外，我们对事实核查员在获取最重要的内容进行事实核查方面有多成功知之甚少。这促使我们开发一种机器学习方法，可以帮助事实核查员更好地引导他们的注意力并提高他们的工作效率，”格林伯格博士解释说。
他们的研究成果最近发表在第 30 届 ACM SIGKDD 知识发现和数据挖掘会议的论文集上。
多年来，虚假新闻来源往往会迅速出现和消失，因此维护网站列表的成本和人力非常高。他们的系统考虑了社交媒体上的信息流和观众对虚假信息的“胃口”，从而可以定位更多网站，并且随着时间的推移更加稳健。
研究人员基于受众的模型的表现远胜于更常见的查看谁在分享错误信息的方法：查看历史数据时准确率为 33% ，而查看随时间推移出现的来源时准确率为 69%。
作者还表明，他们的方法可以在识别虚假新闻来源时保持相同的准确度，同时所需成本不到事实核查的四分之一。
该系统需要在现实世界中接受更多的训练，它永远不可能取代人类事实核查员，但“它可以大大扩大当今事实核查员的覆盖范围”，软件和信息系统工程系的格林伯格博士说。普齐斯教授也是该系的成员。
虽然格林伯格和他的团队证明这种方法可以帮助事实核查人员完成确保选举公正性的使命，但这里最大的未知数是社交媒体平台是否会接受挑战，或者至少为其他人提供打击错误信息的必要数据和访问权限。
这项研究的研究团队还包括本古里安大学软件与信息系统工程系的 Maor Reuben 和独立研究员 Lisa Friedland。