Mod en bedre forståelse af falske nyheder

Duncan Watts, en Penn integrerer vidensprofessor og computational social scientist med ansættelser i Annenberg School for Communication, School of Engineering and Applied Science og Wharton School, har udgivet en ny ramme for at studere mediebias og misinformation. Udkommer i denne uge i Proceedings of the National Academy of Sciences og medforfatter af kolleger hos Microsoft Research, papiret beskriver en ambitiøs og omfattende forskningsdagsorden for at forstå oprindelsen, natur, og udbredelsen af ​​misinformation og dens indvirkning på demokratiet.

Udtrykket "falske nyheder" er blevet en del af leksikonet, ansporet af nyhedsdækning af falske politiske annoncer og Twitter-bots og af bekymringer om deres rolle i populistiske politiske bevægelser som Brexit og præsidentvalget i 2016. Disse historier udløste en enorm mængde forskning, med udgivelsen af ​​tusindvis af aviser, der forsøgte at forstå, hvordan falske nyheder spredte sig.

"Dette overvældende fokus på direkte løgne, der cirkulerede på sociale medier, var foruroligende, men det manglede noget, " siger Watts. "Og at noget er denne meget bredere opfattelse af misinformation."

Watts forklarer, at misinformation omfatter mere end blot løgne og løgne, fordi der også er mere subtile måder, hvorpå folk kan blive vildledt. Dette inkluderer data cherry picking, misforstå forholdet mellem sammenhæng og årsagssammenhæng, eller endda blot at præsentere fakta på en bestemt måde, taktik, der kan føre folk til en falsk konklusion uden teknisk at fejle et faktatjek.

Misinformation er heller ikke noget, der er begrænset til sociale medier, han siger, med fjernsyn, radio, og trykte publikationer spiller også en vigtig rolle. "Al den forskning, der er blevet lavet på Twitter, opvejer langt den mængde forskning, der er blevet lavet på tv i de sidste fire år, og alligevel er tv en større kilde til information relateret til politik for typiske amerikanere, end Twitter er." siger Watts. "Vi er virkelig nødt til at tænke meget mere ekspansivt på de dele af informationsøkosystemet, der kan forårsage nogle af disse problemer."

Til denne ende, Watts og hans medforfattere beskriver fire specifikke mål, der ville gøre det muligt for forskningssamfund og finansieringsbureauer at løse disse typer af komplekse spørgsmål:

Byg en storstilet datainfrastruktur

Det første skridt, Watts siger, er at bygge en forskningsinfrastruktur til at indsamle, organisere, ren, og gøre data tilgængelige og tilgængelige for det bredere forskningssamfund. Det er beslægtet med andre store forskningsbestræbelser, som Large Hadron Collider, hvor et samfund af forskere forenes for at arbejde på et enkelt instrument eller projekt, der genererer data til et helt felt af forskere.

"Hvis du vil se på alt, hvad der bliver produceret på tv, radio, og internettet og stille spørgsmål, der er ingen måde at svare på dem lige nu, " siger Watts. "Der eksisterer ikke nogen infrastruktur til at indsamle disse data, og endda bare at indsamle disse data er et enormt arbejde."

Etabler en 'massesamarbejde'-model

Med en robust datainfrastruktur på plads, det næste mål er at maksimere dens værdi ved at koordinere indsatsen fra flere forskningsgrupper. I stedet for at arbejde på enkelte datasæt, der er kurateret og analyseret af en person eller gruppe, denne arbejdsmodel giver mulighed for at studere problemer mere holistisk.

Denne strategi kan også hjælpe forskere med at arbejde mere effektivt med store problemer, forbedre replikerbarheden af ​​undersøgelser, og hjælpe grupper med at bygge på kumulativ viden, som derefter kunne anvendes uden for den akademiske verden, siger Watts.

Kommunikere med interessenter

Det er vigtigt at uddanne medlemmer af offentligheden om deres resultater, Watts siger, og det er også afgørende at gøre data både tilgængelige og relevante.

"At informere offentligheden er en værdifuld ting at gøre, men det er ikke noget, vi har meget incitament til at gøre som akademikere, " siger Watts, tilføjer, at forskellige måder at nå dette mål på kunne omfatte udgivelse af "levende" versioner af forskningsartikler i form af data-dashboards.

Udvikle akademisk-industri partnerskaber

"Det ville allerede være et stort skridt for folk fra forskellige discipliner og institutioner at arbejde sammen om et fælles datasæt, men, hvis vi rent faktisk vil løse problemer i verden, vi skal gøre mere end bare at forstå tingene. Vi skal også forsøge at designe interventioner, der påvirker folks oplevelse på rigtige platforme og måle konsekvenserne, " han siger.

Fra at samarbejde med dataloger om at forbedre algoritmernes retfærdighed til at arbejde med journalister for at hjælpe dem med at forstå, hvordan deres arbejde påvirker den offentlige mening, at engagere sig med partnere uden for den akademiske verden er afgørende for at håndtere misinformation, siger Watts.

For at konsolidere og fremskynde arbejdet med at nå disse mål, Watts lancerede Computational Social Science Lab i Penn i sidste måned. Det åbner officielt dørene i begyndelsen af ​​det næste akademiske år. Dens igangværende forskning omfatter undersøgelse af udbredelsen af ​​radikalt indhold på YouTube, evaluere, hvordan medieforbruget er skiftet fra live-tv til streamingplatforme, virkningerne af ekkokamre, identificere og spore skævhed i mediedækning, og en række projekter med dataleverandører for at forbedre datakvaliteten, så forskerne lettere kan analysere og give mening i disse komplekse datasæt.

"Mange forskere kan så begynde at bruge disse data, og så stiger mængden af ​​forskning, der genereres af denne infrastruktur, med 100 eller hundrede gange. Jeg tror, ​​det vil være den rigtige innovation, " siger han. "Der er mange spørgsmål derude, og vi vil gerne være i stand til at hjælpe en masse mennesker med at besvare de spørgsmål."