Duncan Watts, en Penn integrerar kunskapsprofessor och beräkningssamhällsvetare med utnämningar i Annenberg School for Communication, School of Engineering and Applied Science och Wharton School, har publicerat ett nytt ramverk för att studera mediabias och desinformation. Publiceras denna vecka i Proceedings of the National Academy of Sciences och medförfattare av kollegor på Microsoft Research, uppsatsen beskriver en ambitiös och omfattande forskningsagenda för att förstå ursprunget, natur, och förekomsten av desinformation och dess inverkan på demokratin.

Frasen "falska nyheter" har blivit en del av lexikonet, sporrade av nyhetsbevakning av falska politiska annonser och Twitter-bots och av oro över deras roll i populistiska politiska rörelser som Brexit och presidentvalet 2016. Dessa berättelser utlöste en enorm mängd forskning, med publiceringen av tusentals tidningar som försöker förstå hur falska nyheter spreds.

"Detta överväldigande fokus på direkta lögner som cirkulerade på sociala medier var oroande, men det saknades något, " säger Watts. "Och det där är en så här mycket bredare uppfattning om desinformation."

Watts förklarar att desinformation omfattar mer än bara lögner och lögner eftersom det också finns mer subtila sätt som människor kan vilseledas. Detta inkluderar datakörsbärsplockning, missuppfatta förhållandet mellan korrelation och orsakssamband, eller till och med bara presentera fakta på ett visst sätt, taktik som kan leda människor till en falsk slutsats utan att tekniskt misslyckas med en faktakontroll.

Desinformation är inte heller något som är begränsat till sociala medier, han säger, med tv, radio, och tryckta publikationer spelar också en viktig roll. "All forskning som har gjorts på Twitter överväger avsevärt mängden forskning som har gjorts på TV under de senaste fyra åren, och ändå är TV en större informationskälla relaterad till politik för typiska amerikaner än Twitter är." säger Watts. "Vi måste verkligen tänka mycket mer expansivt på de delar av informationsekosystemet som kan orsaka vissa av dessa problem."

För detta ändamål, Watts och hans medförfattare beskriver fyra specifika mål som skulle göra det möjligt för forskningsgemenskaper och finansiärer att ta itu med dessa typer av komplexa frågor:

Bygg en storskalig datainfrastruktur

Det första steget, Watts säger, är att bygga en forskningsinfrastruktur för att samla in, organisera, rena, och göra data tillgänglig och tillgänglig för det bredare forskarsamhället. Det liknar andra storskaliga forskningsinsatser, som Large Hadron Collider, där en gemenskap av forskare förenas för att arbeta på ett enda instrument eller projekt som genererar data för ett helt område av forskare.

"Om du vill titta på allt som produceras på tv, radio, och webben och ställ frågor, det finns inget sätt att svara på dem just nu, " säger Watts. "Det finns ingen infrastruktur för att samla in den datan, och till och med att bara samla in dessa uppgifter är ett enormt åtagande."

Etablera en modell för masssamarbete

Med en robust datainfrastruktur på plats, nästa mål är att maximera dess värde genom att samordna ansträngningarna från flera forskargrupper. Istället för att arbeta med enstaka datamängder som kureras och analyseras av en individ eller grupp, denna arbetsmodell ger ett sätt att studera problem mer holistiskt.

Denna strategi kan också hjälpa forskare att mer effektivt arbeta med storskaliga problem, förbättra replikerbarheten av studier, och hjälpa grupper att bygga på kumulativ kunskap som sedan skulle kunna tillämpas utanför akademin, säger Watts.

Kommunicera med intressenter

Det är viktigt att utbilda allmänheten om deras resultat, Watts säger, och det är också avgörande att göra data både tillgänglig och relevant.

"Att informera allmänheten är en värdefull sak att göra, men det är inget som vi har mycket incitament att göra som akademiker, " säger Watts, och tillägger att olika sätt att uppnå detta mål kan inkludera att publicera "levande" versioner av forskningsrapporter i form av datapaneler.

Utveckla partnerskap mellan akademi och industri

"Det skulle redan vara ett stort steg för människor från olika discipliner och institutioner att arbeta tillsammans på en gemensam datauppsättning, men, om vi verkligen vill lösa problem i världen, vi måste göra mer än att bara förstå saker. Vi måste också försöka designa insatser som påverkar människors upplevelser på verkliga plattformar och mäta konsekvenserna, " han säger.

Från att samarbeta med datavetare för att förbättra algoritmernas rättvisa till att arbeta med journalister för att hjälpa dem att förstå hur deras arbete påverkar den allmänna opinionen, att engagera sig med partners utanför den akademiska världen är avgörande för att hantera felaktig information, säger Watts.

För att konsolidera och påskynda arbetet för att uppnå dessa mål, Watts lanserade Computational Social Science Lab på Penn förra månaden. Den öppnar officiellt sina dörrar i början av nästa läsår. Dess pågående forskning inkluderar att studera förekomsten av radikalt innehåll på YouTube, utvärdera hur mediekonsumtionen har skiftat från live-tv till streamingplattformar, effekterna av ekokammare, identifiera och spåra partiskhet i mediabevakning, och ett antal projekt med dataleverantörer för att förbättra datakvaliteten så att forskare lättare kan analysera och förstå dessa komplexa datamängder.

"Många forskare kan sedan börja använda denna data, och sedan ökar mängden forskning som genereras av den här infrastrukturen med 100 eller hundra gånger. Jag tror att det kommer att vara den verkliga innovationen, " säger han. "Det finns många frågor där ute, och vi skulle vilja kunna hjälpa många människor att svara på de frågorna."