Poiché l'intelligenza artificiale viene ora utilizzata per creare video falsi altamente credibili e per diffondere la disinformazione in modo più efficiente, abbiamo ragione a temere che le notizie false possano cambiare il corso di un'elezione in un futuro non troppo lontano.

Per valutare la minaccia e rispondere in modo appropriato, abbiamo bisogno di una migliore percezione di quanto dannoso potrebbe essere il problema. Nelle scienze fisiche o biologiche, testiamo un'ipotesi di questa natura ripetendo un esperimento molte volte.

Ma questo è molto più difficile nelle scienze sociali perché spesso non è possibile ripetere gli esperimenti. Se vuoi conoscere l'impatto di una determinata strategia, ad esempio, sulle prossime elezioni, non puoi ripetere le elezioni un milione di volte per confrontare cosa succede quando la strategia viene implementata e quando non viene implementata.

Potresti chiamarlo un problema di una storia:c’è solo una storia da seguire. Non è possibile rilassare l'orologio per studiare gli effetti di scenari controfattuali.

Per superare questa difficoltà, un modello generativo diventa utile perché può creare molte storie. Un modello generativo è un modello matematico per la causa principale di un evento osservato, insieme a un principio guida che indica in che modo la causa (input) si trasforma in un evento osservato (output).

Modellando la causa e applicando il principio, è possibile generare molte storie e quindi statistiche necessarie per studiare diversi scenari. Questo, a sua volta, può essere utilizzato per valutare gli effetti della disinformazione nelle elezioni.

Nel caso di una campagna elettorale, la causa principale è l'informazione accessibile agli elettori (input), che si trasforma in movimenti di sondaggi d'opinione che mostrano cambiamenti nelle intenzioni degli elettori (output osservato). Il principio guida riguarda il modo in cui le persone elaborano le informazioni, ovvero ridurre al minimo le incertezze.

Quindi, modellando il modo in cui gli elettori ottengono le informazioni, possiamo simulare gli sviluppi successivi su un computer. In altre parole, possiamo creare su un computer una “storia possibile” di come cambiano i sondaggi d’opinione da oggi al giorno delle elezioni. Solo da una storia non impariamo praticamente nulla, ma ora possiamo eseguire la simulazione (le elezioni virtuali) un milione di volte.

Un modello generativo non prevede alcun evento futuro, a causa della natura rumorosa delle informazioni. Ma fornisce le statistiche di diversi eventi, che è ciò di cui abbiamo bisogno.

Modellare la disinformazione

L’idea di utilizzare un modello generativo per studiare l’impatto della disinformazione mi è venuta per la prima volta circa dieci anni fa, senza alcuna previsione che il concetto sarebbe, purtroppo, diventato così rilevante per la sicurezza dei processi democratici. I miei modelli iniziali erano stati progettati per studiare l'impatto della disinformazione sui mercati finanziari, ma quando le notizie false hanno iniziato a diventare un problema, io e il mio collega abbiamo esteso il modello per studiarne l'impatto sulle elezioni.

I modelli generativi possono dirci la probabilità che un dato candidato vinca un’elezione futura, in base ai dati odierni e alla specificazione di come le informazioni su questioni rilevanti per le elezioni vengono comunicate agli elettori. Questo può essere utilizzato per analizzare come verrà influenzata la probabilità di vincita se i candidati o i partiti politici modificassero le loro posizioni politiche o strategie di comunicazione.

Possiamo includere la disinformazione nel modello per studiare come ciò altererà le statistiche dei risultati. Qui la disinformazione è definita come una componente nascosta dell'informazione che genera pregiudizi.

Includendo la disinformazione nel modello ed eseguendo una simulazione, il risultato ci dice molto poco su come ha cambiato i sondaggi d’opinione. Ma eseguendo la simulazione più volte, possiamo utilizzare le statistiche per determinare la variazione percentuale nella probabilità che un candidato vinca un’elezione futura se è presente disinformazione di una determinata entità e frequenza. In altre parole, ora possiamo misurare l'impatto delle notizie false utilizzando simulazioni al computer.

Dovrei sottolineare che misurare l’impatto delle fake news è diverso dal fare previsioni sui risultati elettorali. Questi modelli non sono progettati per fare previsioni. Piuttosto, forniscono statistiche sufficienti per stimare l'impatto della disinformazione.

La disinformazione ha un impatto?

Un modello di disinformazione che abbiamo considerato è un tipo che viene rilasciato in un momento casuale, cresce in forza per un breve periodo ma poi viene attenuato (ad esempio a causa del fact-checking). Abbiamo scoperto che un'unica diffusione di tale disinformazione, ben prima del giorno delle elezioni, avrà un impatto minimo sull'esito elettorale.

Tuttavia, se la diffusione di tale disinformazione verrà ripetuta in modo persistente, avrà un impatto. La disinformazione distorta nei confronti di un determinato candidato sposterà leggermente il sondaggio a favore di quel candidato ogni volta che verrà pubblicato. Di tutte le simulazioni elettorali per le quali quel candidato ha perso, possiamo identificare quante di esse hanno ribaltato il risultato, in base a una data frequenza e entità della disinformazione.

Le fake news a favore di un candidato, salvo rare circostanze, non garantiranno la vittoria di quel candidato. I suoi impatti possono, tuttavia, essere misurati in termini di probabilità e statistiche. Quanto le fake news hanno cambiato le probabilità di vincita? Qual è la probabilità di ribaltare il risultato elettorale? E così via.

Un risultato sorprendente è che, anche se gli elettori non sono consapevoli se una determinata informazione è vera o falsa, se conoscono la frequenza e i pregiudizi della disinformazione, ciò è sufficiente per eliminare gran parte dell’impatto della disinformazione. La semplice conoscenza della possibilità che si tratti di notizie false è già un potente antidoto ai loro effetti.

I modelli generativi da soli non forniscono contromisure alla disinformazione. Ci danno semplicemente un’idea dell’entità degli impatti. La verifica dei fatti può aiutare ma non è estremamente efficace (il genio è già uscito dalla lampada). Ma cosa succede se i due vengono combinati?

Poiché l'impatto della disinformazione può essere in gran parte evitato informando le persone che ciò sta accadendo, sarebbe utile se i fact checker offrissero informazioni sulle statistiche della disinformazione che hanno identificato, ad esempio:"L'X% delle affermazioni negative contro il candidato A erano false" ." Un elettorato dotato di queste informazioni sarà meno colpito dalla disinformazione.