Neue KI kann erkennen, ob eine Nachrichtenquelle korrekt oder politisch voreingenommen ist

• Der neue Algorithmus für maschinelles Lernen konzentriert sich auf Nachrichtenquellen und nicht nur auf einzelne Behauptungen, um gefälschte und voreingenommene Nachrichten zu erkennen.
• Bei neuen Nachrichtenartikeln wurde eine Genauigkeit von bis zu 70 % erreicht.
• Es sind nur 150 Inhalte erforderlich, um festzustellen, ob die Quelle vertrauenswürdig ist oder nicht.

Social-Media-Plattformen haben es jedem extrem leicht gemacht, Informationen im Internet zu teilen und zu verbreiten. Dies hat zur Verbreitung von Fake News geführt, die normalerweise erzeugt werden, um entweder die Stimmung der Menschen zu verändern und große Ereignisse wie politische Wahlen zu beeinflussen oder um Verkehr anzuziehen und Einnahmen durch die Anzeige von Anzeigen zu erzielen.

Während viele Technologiegiganten erhebliche Ressourcen in den Aufbau ihrer eigenen Fake-News-Erkennungssysteme investieren, glauben Forscher des MIT und des Qatar Computing Research Institute, dass die beste Strategie zum Aufdecken von Fake News darin besteht, sich auf die Nachrichtenquellen zu konzentrieren, anstatt nur einzelne Behauptungen zu analysieren.

Mit diesem Ansatz haben sie eine neue auf maschinellem Lernen basierende Methode entwickelt, die bestimmt, ob eine Quelle vertrauenswürdig ist oder nicht. Im Grunde charakterisiert es ganze Nachrichtenmedien und prognostiziert die Faktizität der Berichterstattung.

Wie werden voreingenommene Nachrichten bestimmt?

Die Idee hinter dem System ist, dass, wenn eine Site schon einmal falsche Fakten veröffentlicht hat, die Wahrscheinlichkeit groß ist, dass sie es erneut tut. Die Analyse anderer Inhalte auf solchen Websites kann dem System helfen, festzustellen, welche Websites dies wahrscheinlich tun werden.

Um Fake News zuverlässig zu identifizieren, kann man im Artikel nach gemeinsamen sprachlichen Merkmalen wie Struktur, Komplexität und Stimmung suchen. Zum Beispiel verwenden die meisten Fake News eine emotionale, subjektive und hyperbolische Sprache.

In dieser Studie experimentieren sie mit mehreren Merkmalen, die von

. abgeleitet sind

1. Inhalte aus Zielnachrichtenquellen
2. sein Twitter-Konto und seine Wikipedia-Seite
3. seine URL-Struktur
4. die Anzahl der Besucher

Sie sammelten Daten aus einem Media Bias/Fact Check auf einer Website. Mithilfe menschlicher Gutachter untersucht diese Website die Fakten und die Voreingenommenheit von fast zweitausend Nachrichtenseiten, einschließlich beliebter Medienquellen und Thin Content Farms.

Referenz: arXiv:1810.01765 | MIT

Diese Daten wurden in ein maschinelles Lernmodell eingespeist, das entwickelt wurde, um Quellen zu klassifizieren, genauso wie es eine Website zur Überprüfung durch Menschen tut. Das Modell lieferte beeindruckende Ergebnisse:Bei neuen Nachrichtenartikeln erreichte es eine Genauigkeit von 65 % bei der Feststellung, ob der Artikel einen niedrigen, mittleren oder hohen Grad an Sachlichkeit aufweist, und es war zu 70 % genau bei der Feststellung, ob der Inhalt richtig ist, linksgerichtet oder moderat.

Bildnachweis:MIT

Die Forscher behaupten, dass das System nur 150 Inhalte benötigt, um genau zu bestimmen, ob die Quellwebsite vertrauenswürdig ist oder nicht. Auf diese Weise können Fake News herausgefiltert werden, bevor sie sich zu weit im Internet verbreiten.

Wie geht es weiter?

Forscher arbeiten derzeit an dem System, um seine Genauigkeit zu verbessern und es in Verbindung mit herkömmlichen Faktenanalysatoren funktionieren zu lassen. Wenn das System zu einem bestimmten Thema „seltsame oder verwirrende“ Ergebnisse liefert, könnten Plattformen mit manueller Überprüfung diese Ergebnisse schnell überprüfen und bestimmen, welche Gültigkeit den verschiedenen Perspektiven beigemessen werden sollte.

Die Autoren haben auch einen Open-Source-Datensatz von fast tausend Nachrichten-Websites erstellt, die mit Genauigkeits- und Bias-Scores versehen sind. Sie planen auch, mobile Apps einzuführen, um den Menschen zu helfen, ihre politischen Blasen zu überwinden. Darüber hinaus werden sie versuchen, das System so zu trainieren, dass es auch mit anderen Sprachen funktioniert. Sie möchten über die Rechts-/Links-Voreingenommenheit hinausgehen und andere Formen der Voreingenommenheit modellieren, die für andere Regionen relevanter sind.

Lesen Sie:Ein neuer generischer Algorithmus zur Erkennung von gefälschten IDs auf Social-Networking-Sites

Diese Art von Algorithmen könnte den Leuten helfen zu verstehen, wie gefälschte Websites aussehen und welche Art von Artikeln sie veröffentlichen.