Uppfunnna berättelser, förvrängda fakta:falska nyheter sprider sig som en löpeld på internet och delas ofta utan tankar, särskilt på sociala medier. Som svar, Fraunhofer -forskare har utvecklat ett system som automatiskt analyserar inlägg på sociala medier, medvetet filtrera bort falska nyheter och desinformation. Att göra detta, verktyget analyserar både innehåll och metadata, klassificera den med hjälp av maskininlärningstekniker och dra nytta av användarinteraktion för att optimera resultaten allt eftersom.

Falska nyheter är utformade för att provocera fram ett specifikt svar eller uppmuntra agitation mot en individ eller en grupp människor. Dess syfte är att påverka och manipulera opinionen om dagens riktade ämnen. Dessa falska nyheter kan spridas som en löpeld över internet, särskilt på sociala medier som Facebook eller Twitter. Vad är mer, att identifiera det kan vara en knepig uppgift. Det är där ett klassificeringsverktyg utvecklat av Fraunhofer Institute for Communication, Information Processing and Ergonomics FKIE kommer in, automatiskt analysera inlägg på sociala medier och bearbeta stora mängder data.

Förutom att bearbeta text, verktyget faktoriserar också metadata i sin analys och levererar sina fynd i visuell form. "Vår programvara fokuserar på Twitter och andra webbplatser. Tweets är där du hittar länkarna som pekar på de webbsidor som innehåller de faktiska falska nyheterna. Med andra ord, sociala medier fungerar som en utlösare, om du vill. Falska nyheter finns ofta på webbplatser som är utformade för att efterlikna nyhetsbyråer och kan vara svåra att skilja från de äkta webbplatserna. I många fall, de kommer att baseras på officiella nyheter, men där formuleringen har ändrats, "förklarar professor Ulrich Schade från Fraunhofer FKIE, vars forskargrupp utvecklat verktyget.

Schade och hans team börjar processen genom att bygga bibliotek som består av seriösa nyheter och även texter som användare har identifierat som falska nyheter. Dessa bildar sedan de lärande uppsättningar som används för att träna systemet. För att filtrera bort falska nyheter, forskarna använder maskininlärningstekniker som automatiskt söker efter specifika markörer i texter och metadata. Till exempel, i ett politiskt sammanhang, det kan vara formuleringar eller kombinationer av ord som sällan förekommer i vardagsspråk eller i journalistisk rapportering, som "Tysklands nuvarande kansler". Språkfel är också en röd flagga. Detta är särskilt vanligt när författaren till de falska nyheterna skrev på ett annat språk än sitt modersmål. I sådana fall, felaktig skiljetecken, stavning, verbformer eller meningsstruktur är alla varningar för en potentiell falsk nyhet. Andra indikatorer kan inkludera out-of-place uttryck eller besvärliga formuleringar.

"När vi levererar systemet med en rad markörer, verktyget kommer att lära sig att välja de markörer som fungerar. En annan avgörande faktor är att välja metod för maskininlärning som ger bästa resultat. Det är en mycket tidskrävande process, eftersom du måste köra de olika algoritmerna med olika kombinationer av markörer, säger Schade.

Metadata ger viktiga ledtrådar

Metadata används också som markör. Verkligen, det spelar en avgörande roll för att skilja mellan autentiska informationskällor och falska nyheter:Till exempel, hur ofta utfärdas tjänster, när är en tweet planerad, och vid vilken tidpunkt? Tidpunkten för ett inlägg kan vara mycket talande. Till exempel, det kan avslöja landet och tidszonen för nyhetens upphovsman. En hög sändningsfrekvens föreslår bots, vilket ökar sannolikheten för en falsk nyhet. Sociala bots skickar sina länkar till ett stort antal användare, till exempel för att sprida osäkerhet bland allmänheten. Ett kontos anslutningar och följare kan också visa sig vara grogrund för analytiker.

Detta beror på att det tillåter forskare att bygga värmekartor och grafer över sändningsdata, skicka frekvens- och följarnätverk. Dessa nätverksstrukturer och deras individuella noder kan användas för att beräkna vilken nod i nätverket som cirkulerade en post med falska nyheter eller inledde en falsk nyhetskampanj.

En annan egenskap hos det automatiserade verktyget är dess förmåga att upptäcka hattal. Inlägg som poserar som nyheter men även innehåller hatprat länkar ofta till falska nyheter. "Det viktiga är att utveckla en markör som kan identifiera tydliga fall av hatprat. Exempel inkluderar uttryck som" politiskt avskum "eller" nigger ", "säger språkforskaren och matematikern.

Forskarna kan anpassa sitt system till olika typer av text för att klassificera dem. Både offentliga organ och företag kan använda verktyget för att identifiera och bekämpa falska nyheter. "Vår programvara kan anpassas och utbildas för att passa alla kunders behov. För offentliga organ, det kan vara ett användbart system för tidig varning, säger Schade.