Il fact-checking automatizzato può rilevare affermazioni che sfuggono ai controlli umani. Ecco i due modi in cui funzionano.

Verificano le affermazioni convalidandole rispetto a una fonte o un articolo autorevole oppure utilizzano una tecnica informatica chiamata rilevamento della posizione.

(Shutterstock)

Dalle false affermazioni che bere acqua calda con limone protegge dal coronavirus a alti tassi di contaminazione tra le truppe NATO con base in Lettonia , la pandemia è maturata per molti tipi di bufale e campagne di disinformazione.

Tra gennaio e marzo, il Reuters Institute for the Study of Journalism lo ha notato il numero di fact check è aumentato del 900% , il che probabilmente significa un aumento ancora maggiore di notizie false poiché molte di esse sono probabilmente sfuggite alla rete.

Sebbene l'alfabetizzazione mediatica sia essenziale per invertire la tendenza, l'uso dell'automazione e degli algoritmi potrebbe aiutare a condurre attività di verifica dei fatti su larga scala. Nel suo Rapporto 2018 , Lucas Graves ha identificato essenzialmente due tipi di verifica automatizzata dei fatti: verifiche dei fatti che verificano le affermazioni convalidandole rispetto a una fonte autorevole o una storia che era già stata verificata e verifiche dei fatti che si basano su 'segnali secondari' come rilevamento della posizione — una tecnica informatica che determina se una parte di testo è d'accordo o meno con un'affermazione.

Ecco una panoramica degli usi giornalistici e dei progetti di ricerca che esaminano entrambi gli aspetti.

Schiacciare: Il laboratorio dei giornalisti della Duke University è stato sperimentando con Squash , un programma per computer che trasforma i sottotitoli della TV in stringhe di testo, quindi li confronta con un database di precedenti verifiche dei fatti. L'obiettivo di Squash è verificare le dichiarazioni dei politici quasi istantaneamente, sebbene il suo team di ricerca abbia comunque ammesso il programma richiede l'aiuto umano per decidere se trasmettere le proprie scoperte .

Fatto completo: Anche l'organizzazione di fact-checking con sede a Londra Full Fact è in grado di farlo individuare affermazioni dubbie attraverso i sottotitoli TV , confrontandoli con il proprio catalogo di fact-check verificati e utilizzando dati affidabili, come le statistiche governative, per verificare le affermazioni non verificate.

Ma anche i dati affidabili devono essere controllati a fondo. Nel rapporto di Graves, il capo fondatore dell'automazione di Full Fact ha sottolineato che le cifre ufficiali potrebbero essere facilmente estrapolate dal contesto, come quando il tasso di omicidi nel Regno Unito è aumentato nel 2003, ma solo perché gli omicidi commessi da un famigerato serial killer negli anni prima erano ufficialmente inclusi nelle statistiche in quel momento.

Checkbot: Come Squash e Full Fact, checkbot — un'iniziativa dell'organizzazione argentina di verifica dei fatti Chequeado — scansiona automaticamente i media nazionali alla ricerca di dichiarazioni controverse. Quindi li confronta con un database esistente e crea file di testo che i fact-checker possono condividere sui social media. Ma Chequeabot è comunque influenzato dalla mancanza di dati grezzi in Argentina, spingendo Chequeado a guardare alle partnership con il governo, ma anche con università, gruppi di riflessione e sindacati.

Chatbot di IFCN: Nel bel mezzo della pandemia, l'International Fact-Checking Network ha messo insieme un database di fact-checking, ora composto da oltre 7.000 voci in più di 40 lingue. A maggio è stata lanciata l'alleanza di verifica dei fatti il proprio chatbot WhatsApp , che è in grado di scavare nel database per rispondere alla richiesta di parole chiave di un utente. Inizialmente disponibile in inglese, WhatsApp Chatbot è ora disponibile in spagnolo, hindi e portoghese.

L'Università di Waterloo: Un gruppo di ricerca dell'Università di Waterloo, in Canada, sta esaminando il rilevamento della posizione al fine di creare uno strumento in grado di rilevare le notizie false confrontando le affermazioni con post e storie simili. I ricercatori hanno programmato algoritmi per imparare dalla semantica trovata nei dati di addestramento e sono riusciti a determinare con precisione le affermazioni nove volte su 10. Concepiscono la loro soluzione come uno strumento di assistenza volto a filtrare i contenuti falsi, in modo da aiutare i giornalisti a perseguire affermazioni su cui vale la pena indagare.

INSIEME A: Un problema che deriva dal rilevamento della posizione, tuttavia, è che tende a riprodurre i nostri pregiudizi nei confronti del linguaggio. Ad esempio, le affermazioni negative sono viste come più propense a trasmettere contenuti imprecisi, mentre quelle affermative sono generalmente associate a un senso di verità. Questo è ciò che un team di ricerca del MIT ha scoperto durante il test di modelli algoritmici su set di dati esistenti. Li ha spinti a sviluppare nuovi modelli. Il team ha anche richiamato l'attenzione sulla questione delle affermazioni vere in un determinato momento, ma non più accurate oltre un certo punto.

Nel suo rapporto, Graves ha anche indicato altri spunti che potrebbero aiutare a sfatare le informazioni false su larga scala. Questi potrebbero variare da 'caratteristiche stilistiche, come il tipo di linguaggio utilizzato in un post sui social media o un presunto notiziario' a 'la posizione in rete di una fonte' o 'il modo in cui una particolare affermazione o collegamento si propaga su Internet'.

Ma per quanto avanzate siano le soluzioni automatizzate, sono ancora sfidate le molte ragioni per cui siamo attratti da credere alle notizie false in primo luogo, che si tratti di ragionamento parziale, attenzione distratta o esposizione ripetuta, per esempio. Inoltre, c'è il rischio aggiuntivo di eseguire 'l'effetto di ritorno di fiamma', a nozione che prevede che quando un'affermazione è fortemente allineata con le idee di qualcuno, questa persona viene ulteriormente rafforzata nelle proprie opinioni una volta esposta alla verità.

Alla fine, la verifica automatizzata dei fatti avrà successo solo se strettamente intrecciata con l'alfabetizzazione mediatica.

Samuel Danzon-Chambaud ha un dottorato di ricerca. ricercatore sul progetto JOLT , che ha ricevuto finanziamenti dal programma di ricerca e innovazione Orizzonte 2020 dell'Unione europea nell'ambito della convenzione di sovvenzione Marie Skłodowska-Curie n. 765140.