Επτά κατηγορίες fake news υποδεικνύουν ερευνητές του Pennsylvania State University (Penn State) στο πλαίσιο έρευνας που σκοπό έχει να βοηθήσει στον εντοπισμό fake news ή/ και στην ανάπτυξη τεχνολογίας για τον αυτόματο εντοπισμό τους online.
«Υπάρχει μια αληθινή κρίση στην πολιτιστική μας κατανόηση του όρου “fake news”, τόσο που αρκετοί ερευνητές έχουν ενεργά απομακρυνθεί από αυτή την “ταμπέλα” επειδή είναι τόσο ασαφής και χρησιμοποιείται ως όπλο από συγκεκριμένες πηγές» είπε ο Σ. Σιάμ Σούνταρ, καθηγητής Media Effects και συν-διευθυντής του Media Effects Research Laboratory στο Donalnd P. Bellisario College of Communications.
Στη συγκεκριμένη έρευνα οι ερευνητές εξέτασαν πολλά παραδείγματα fake news, περιορίζοντάς τα σε επτά βασικές κατηγορίες, που περιλαμβάνουν τα ψευδή νέα, το πολωτικό περιεχόμενο, τη σάτιρα, το κακό/ λανθασμένο ρεπορτάζ (misreporting), τον σχολιασμό, τις πειστικές πληροφορίες και τη «δημοσιογραφία των πολιτών» (citizen journalism). Επίσης, σύγκριναν αυτά τα είδη περιεχομένου με πραγματικές ειδήσεις και αναφέρουν τα ευρήματά τους στο American Behavioral Scientist.
Οι ερευνητές διαπίστωσαν ότι οι πραγματικές ειδήσεις/ νέα έχουν χαρακτηριστικά που τα διαφοροποιούν από τις διάφορες κατηγορίες fake news, όπως η προσκόλληση στο δημοσιογραφικό στυλ γραφής. Τα ψευδή νέα τείνουν να έχουν πιο συναισθηματικά φορτισμένο περιεχόμενο, με παραπλανητικούς τίτλους κλπ. Επίσης, διαφέρουν ως προς το είδος των πηγών και τον τρόπο χρήσης τους.
Επιπρόσθετα η μελέτη υποδεικνύει διαφορές στις δομές των sites, όπως η χρήση «περίεργων» web addresses και προσωπικών email στο «επικοινωνήστε μαζί μας». Επιπρόσθετα, υπάρχουν διαφορές ως προς τον τρόπο που εξαπλώνονται: Τα fake news κυκλοφορούν πρώτα και κυρίως στα social media και σπάνια περιλαμβάνουν «mainstream» ΜΜΕ.
Σύμφωνα με τη Μαρία Μολίνα, υποψήφια διδάκτορα στη μαζική επικοινωνία και lead author του επιστημονικού άρθρου, η ταυτοποίηση των διαφόρων χαρακτηριστικών (μήνυμα, πηγή, δομή και δίκτυο) των online νέων είναι απαραίτητη όχι μόνο για τον εντοπισμό τους αλλά και για να βοηθηθούν οι επιστήμονες που χρησιμοποιούν τεχνητή νοημοσύνη για τη δημιουργία συστημάτων που θα ενημερώνουν περί πιθανού παραπλανητικού υλικού.
Οι ερευνητές χρησιμοποίησαν μια ερευνητική τεχνική (concept explication) για τους σκοπούς της μελέτης. Η όλη διαδικασία περιλαμβάνει εξαντλητικών αναζητήσεων στις αναφορές σε συγκεκριμένα concepts- επί της προκειμένης fake news- σε ακαδημαϊκά και δημοφιλή μέσα. Μετά οι ερευνητές εξέτασαν το πώς ορίζονται και μετριώνται τα fake news.
Τα online νέα μπορεί επίσης να στερούνται πολλά από τα δομικά χαρακτηριστικά/ ενδείξεις που, σε πιο «παραδοσιακά» μέσα, βοηθούσαν τους αναγνώστες να καταλάβουν καλύτερα τα διαφορετικά είδη περιεχομένου- πχ τα άρθρα άποψης βρίσκονταν στην αντίστοιχη κατηγορία σε μια εφημερίδα, ενώ οι διαφημίσεις ήταν σε συγκεκριμένο σημείο.
Οι ερευνητές υποδεικνύουν ότι μια καλύτερη κατανόηση των διαφόρων μορφών fake και πραγματικών νέων θα μπορούσε να οδηγήσει σε βελτιωμένη κατηγοριοποίηση υλικού, που θα συνέβαλε στην αντιμετώπιση του προβλήματος.
Η χρήση υπολογιστών για τον αυτόματο εντοπισμό των fake news είναι δύσκολη επειδή τα συστήματα αυτά βλέπουν το περιεχόμενο μόνο ως αληθινό ή ψεύτικο, σημείωσε ο Ντόνγκουον Λι, ερευνητής του εγχειρήματος και αναπληρωτής καθηγητής στο College of Information Sciences and Technology. Τα πράγματα, σημειώνει, δεν είναι πάντα έτσι.
«Καθώς ερχόμαστε σε επαφή με περιεχόμενο στην πραγματική ζωή, η κατάσταση είναι πιο πολύπλοκη...για παράδειγμα, αν και θα περιείχε κάποιες αναληθείς πληροφορίες, ένα άρθρο σάτιρας δεν θα έπρεπε να κατηγοριοποιηθεί τυφλά ως fake, εάν το πλαίσιο είναι σαφές, ωστόσο την ίδια στιγμή εάν μόνο κάποια τμήματα του σατιρικού άρθρου χρησιμοποιηθούν, εκτός πλαισίου, στα social media, τότε θα έπρεπε να κατηγοριοποιηθεί ως fake για να περιοριστεί η εξάπλωσή του», ανέφερε ο Λι- προσθέτοντας πως τα ευρήματα της έρευνας θα μπορούσαν να χρησιμοποιηθούν για την ανάπτυξη τεχνικών τεχνητής νοημοσύνης που θα μπορούσαν να αναγνωρίσουν διάφορα είδη fake news, που αντικατοπτρίζουν καλύτερα το πραγματικό ειδησεογραφικό περιβάλλον.
