För att hjälpa människor att upptäcka falska nyheter, eller skapa teknik som automatiskt kan upptäcka vilseledande innehåll, forskare måste först veta exakt vad falska nyheter är, enligt ett team av Penn State-forskare. Dock, de lägger till, det är inte så enkelt som det låter.

"Det finns en verklig kris i vår kulturella förståelse av termen "falska nyheter, så mycket att flera forskare aktivt har flyttat bort från det märket eftersom det är så lerigt, förvirrande och beväpnad av vissa partiska källor, " sa S. Shyam Sundar, James P. Jimirro Professor i medieeffekter och meddirektör för Media Effects Research Laboratory vid Donald P. Bellisario College of Communications.

I en studie, forskare minskade otaliga exempel på falska nyheter till sju grundläggande kategorier, som inkluderar falska nyheter, polariserat innehåll, satir, felrapportering, kommentar, övertygande information och medborgarjournalistik. Forskarna kontrasterade också dessa typer av innehåll med riktiga nyheter och rapporterar sina resultat i det aktuella numret av Amerikansk beteendevetare .

Forskarna fann att riktiga nyheter har meddelandeegenskaper som skiljer dem från olika kategorier av falska nyheter, som att hålla sig till journalistisk stil. Falska nyheter tenderar att vara mindre grammatiska och mindre sakliga, med större tillit till känslomässigt laddade påståenden, vilseledande rubriker och så vidare. De skiljer sig också åt i vilken typ av källor de använder och hur de använder dem.

Dessutom, studien noterade skillnader i strukturen på webbplatsen, såsom användning av icke-standardiserade webbadresser och personliga e-postmeddelanden i avsnittet "kontakta oss". Vidare, nätverksskillnader kan användas för att särskilja dem, med påhittade nyheter som främst cirkuleras bland konton i sociala medier och sällan involverar vanliga medier.

Enligt Maria Molina, en doktorand i masskommunikation och huvudförfattare till artikeln, identifiera de olika meddelandena, källa, strukturella och nätverksfunktioner hos olika former av onlinenyheter är nödvändiga för att inte bara hjälpa människor att upptäcka falska nyheter, men för att också hjälpa forskare som använder artificiell intelligens – AI – att bygga system som en dag automatiskt kan uppmärksamma människor på innehåll som kan vara desinformation.

"I vår egen mediemiljö tar vi emot många olika typer av innehåll, men alla är inte avsedda att informera. Dock, de visas alla i samma format, så det är lätt för människor att förväxla dem med riktiga nyheter, sade Molina. Och, för att automatiskt upptäcka falska nyheter, vi måste först förstå exakt vad falska nyheter är och vilka de olika lagren är, så att vi kan klassificera ett innehåll som falskt jämfört med ett annat innehåll."

Forskarna använde en forskningsteknik som kallas konceptförklaring för att genomföra studien. Processen kräver att forskare gör uttömmande sökningar av referenser till begrepp, I detta fall, falska nyheter, i vetenskapliga och populära medier. Forskarna undersökte sedan hur falska nyheter definieras och hur de mäts.

Nyhetsinnehåll online kan också sakna många av de strukturella ledtrådar som en gång användes av mer traditionella medier som hjälpte människor att bättre skilja mellan olika former av innehåll. Till exempel, En kommentar dök en gång upp på redaktionsdelen av en tidning som signalerade att artikeln var åsikt. Dessutom, annonser kan ha placerats i en ruta för att separera den från nyhetsinnehåll, sa Sundar, som också är dotterbolag till Penn State's Institute for Computational and Data Sciences (ICDS), som förser Penn State-fakulteten med superdatorresurser.

Forskarna menar att en bättre förståelse för de olika formerna av falska och riktiga nyheter kan leda till förbättrad märkning av innehåll, vilket kan hjälpa till att återställa en del av den nyhetssegmenteringen. Om innehållet är korrekt märkt, onlinenyhetskonsumenter kan ha olika reaktioner på olika former av nyheter och information, enligt Sundar.

"Till exempel, om ett innehåll är märkt som raka nyheter, då är det en annan historia än om den är märkt kommentar, eller satir, " han sa så, vi tycker att det är mycket viktigt att känna igen de olika delarna av onlinenyheter för att kunna kalibrera förväntningarna hos läsare och även hos vissa offentliga personer som anklagar media för att förfalska information."

Att använda datorer för att automatiskt upptäcka falska nyheter är svårt eftersom dessa system bara ser innehållet som antingen sant eller falskt, sa Dongwon Lee, projektets huvudutredare och en docent vid College of Information Sciences and Technology. Lä, som också är en filial till ICDS, sa att det inte alltid är fallet.

"När vi möter innehåll i verkliga livet, situationen är mycket stökigare och grumligare, " sa Lee. "Till exempel, trots att den innehåller en del faktuella felaktiga uppgifter, en satirartikel bör inte blint betecknas som falsk om sammanhanget är tydligt; än, på samma gång, om bara vissa delar av satirartikeln används, ur sitt sammanhang, i sociala medier, då bör den märkas som falsk för att bromsa spridningen."

Han tillade att denna studies resultat kan användas för att utveckla AI-tekniker som kan identifiera flera typer av falska nyheter, som bättre speglar den verkliga nyhetsmiljön.

"Vår förbättrade förståelse i den här artikeln om egenskaperna hos sju undertyper i spektrumet av sanna-till-falska nyheter kommer att göra det möjligt för oss att utveckla en ny typ av ett automatiskt detekteringssystem som kan göra mer finkorniga bedömningar, " sa Lee. "Vi utvecklar för närvarande en sådan lösning med hjälp av multinomial övervakad inlärningsteknik inom maskininlärning."