Per aiutare le persone a individuare le notizie false, o creare una tecnologia in grado di rilevare automaticamente contenuti fuorvianti, gli studiosi devono prima sapere esattamente cosa sono le fake news, secondo un team di ricercatori della Penn State. Però, aggiungono, non è così semplice come sembra.

"C'è una vera crisi nella nostra comprensione culturale del termine 'notizie false, ' tanto che diversi studiosi si sono attivamente allontanati da quell'etichetta perché è così fangosa, confuso e armato da certe fonti partigiane, " disse S. Shyam Sundar, James P. Jimirro Professore di Media Effects e co-direttore del Media Effects Research Laboratory presso il Donald P. Bellisario College of Communications.

In uno studio, i ricercatori hanno ristretto una miriade di esempi di notizie false a sette categorie di base, che includono notizie false, contenuto polarizzato, satira, falsa dichiarazione, commento, informazione persuasiva e giornalismo cittadino. I ricercatori hanno anche confrontato questi tipi di contenuti con notizie reali e hanno riportato i loro risultati nell'attuale numero di Scienziato comportamentale americano .

I ricercatori hanno scoperto che le notizie reali hanno caratteristiche di messaggio che le differenziano dalle varie categorie di notizie false, come l'adesione allo stile giornalistico. Le notizie false tendono ad essere meno grammaticali e meno fattuali, con maggiore affidamento su affermazioni emotivamente cariche, titoli fuorvianti e così via. Differiscono anche nel tipo di fonti che usano e nel modo in cui le usano.

Inoltre, lo studio ha rilevato differenze nella struttura del sito, come l'utilizzo di indirizzi web non standard ed e-mail personali nella sezione "contattaci". Per di più, le differenze di rete possono essere utilizzate per distinguerle, con notizie inventate che circolano principalmente tra gli account dei social media e raramente coinvolgono i principali media.

Secondo Maria Molina, un dottorando in comunicazione di massa e autore principale dell'articolo, identificare i vari messaggi, fonte, le caratteristiche strutturali e di rete delle diverse forme di notizie online sono necessarie non solo per aiutare le persone a individuare le notizie false, ma anche per aiutare gli scienziati che utilizzano l'intelligenza artificiale, l'intelligenza artificiale, a creare sistemi che un giorno potrebbero avvisare automaticamente le persone di contenuti che potrebbero essere disinformazione.

"Nel nostro ambiente mediatico riceviamo molti tipi diversi di contenuti, ma non tutti hanno lo scopo di informare. Però, appaiono tutti nello stesso formato, quindi è facile per le persone confonderli con notizie vere, " disse Molina. "E, per rilevare automaticamente le fake news, dobbiamo prima capire esattamente cosa sono le fake news e quali sono i diversi livelli, in modo da poter classificare un contenuto come falso rispetto a un altro".

I ricercatori hanno utilizzato una tecnica di ricerca chiamata spiegazione del concetto per intraprendere lo studio. Il processo richiede che i ricercatori conducano ricerche esaurienti di riferimenti a concetti, in questo caso, notizie false, nei media accademici e popolari. I ricercatori hanno poi esaminato come vengono definite le fake news e come vengono misurate.

I contenuti delle notizie online possono anche mancare di molti degli spunti strutturali un tempo utilizzati da forme più tradizionali di media che aiutavano le persone a distinguere meglio tra le diverse forme di contenuto. Per esempio, un commento è apparso una volta nella sezione editoriale di un giornale che segnalava che l'articolo era un'opinione. Inoltre, gli annunci pubblicitari potrebbero essere stati inseriti in una casella per separarli dal contenuto delle notizie, ha detto Sundar, che è anche un affiliato del Penn State's Institute for Computational and Data Sciences (ICDS), che fornisce alla facoltà di Penn State risorse di supercalcolo.

I ricercatori suggeriscono che una migliore comprensione delle varie forme di notizie false e reali potrebbe portare a una migliore etichettatura dei contenuti, che potrebbe aiutare a ripristinare parte di quella segmentazione delle notizie. Se il contenuto è etichettato correttamente, i consumatori di notizie online possono avere reazioni diverse a diverse forme di notizie e informazioni, secondo Sundar.

"Per esempio, se un contenuto è etichettato come notizia diretta, allora è una storia diversa se è etichettata come commento, o satira, " ha detto. "Quindi, riteniamo sia molto importante riconoscere i vari elementi della cronaca online per poter calibrare le aspettative dei lettori e anche di alcuni personaggi pubblici che accusano i media di falsificare le informazioni".

L'utilizzo di computer per rilevare automaticamente le notizie false è difficile perché questi sistemi vedono solo il contenuto come vero o falso, disse Dongwon Lee, il ricercatore principale del progetto e professore associato presso il College of Information Sciences and Technology. Lee, che è anche un affiliato di ICDS, detto che non è sempre così.

"Quando incontriamo i contenuti nella vita reale, la situazione è molto più disordinata e torbida, " disse Lee. "Per esempio, nonostante contenga alcune informazioni di fatto errate, un articolo di satira non dovrebbe essere etichettato ciecamente come falso se il contesto è chiaro; ancora, allo stesso tempo, se vengono utilizzate solo alcune parti dell'articolo di satira, fuori contesto, nei social, allora dovrebbe essere etichettato come falso per frenarne la diffusione".

Ha aggiunto che i risultati di questo studio potrebbero essere utilizzati per sviluppare tecniche di intelligenza artificiale in grado di identificare più tipi di notizie false, che rifletterà meglio l'ambiente delle notizie del mondo reale.

"La nostra migliore comprensione in questo articolo sulle caratteristiche di sette sottotipi nello spettro delle notizie dal vero al falso ci consentirà di sviluppare un nuovo tipo di sistema di rilevamento automatico in grado di giudizi più dettagliati, " ha affermato Lee. "Stiamo attualmente sviluppando una soluzione di questo tipo utilizzando la tecnica di apprendimento supervisionato multinomiale nell'apprendimento automatico".