نموذج إحصائي يساعد في الكشف عن المعلومات الخاطئة على وسائل التواصل الاجتماعي

قام أستاذ الرياضيات في الجامعة الأمريكية، إلى جانب فريق من المتعاونين، بتطوير نموذج إحصائي يمكنه الكشف عن المعلومات الخاطئة في منشورات وسائل التواصل الاجتماعي.

تزداد استخدام التعلم الآلي بشكل متزايد لوقف انتشار المعلومات الخاطئة، ولكن لا تزال هناك عقبة كبيرة تتعلق بمشكلة الصندوق الأسود التي تحدث. وهذا يشير إلى أن الباحثين لا يفهمون كيف يصل الآلة إلى نفس القرار مثل المدربين البشر.

الكشف عن المعلومات الخاطئة باستخدام النماذج الإحصائية

استخدم زويس بوكوفالاس، أستاذ مساعد في قسم الرياضيات والإحصاء في الجامعة الأمريكية، مجموعة بيانات تويتر تحتوي على منشورات خاطئة حول كوفيد-19 لإظهار كيف يمكن للنماذج الإحصائية الكشف عن المعلومات الخاطئة في وسائل التواصل الاجتماعي خلال الأحداث الكبيرة مثل الوباء أو الكارثة.

أثبت بوكوفالاس وزميلته كايتلين موروني وأستاذ علوم الحاسوب ناتالي جابكوفيتش كيف أن قرارات النموذج تتوافق مع قرارات البشر في البحث المنشور حديثًا.

“نحن نريد أن نعرف ما تفكره الآلة عندما تتخذ قرارات، وكيف و لماذا توافق مع البشر الذين دربواها”، قال بوكوفالاس. “لا نريد حظر حساب شخص على وسائل التواصل الاجتماعي لأن النموذج يتخذ قرارًا متحيزًا”.

الطريقة التي استخدمها الفريق هي نوع من التعلم الآلي الذي يعتمد على الإحصاء. النماذج الإحصائية فعالة وتوفر طريقة أخرى لمكافحة المعلومات الخاطئة.

حققت النموذج أداء تنبؤ عالي وصنفت مجموعة اختبار من 112 منشور حقيقي وخطأ على تويتر بدقة تقارب 90٪.

“ما هو مهم في هذا الاكتشاف هو أن نموذجنا حقق دقة مع شفافية حول كيفية الكشف عن المنشورات الخاطئة”، واصل بوكوفالاس. “لا يمكن للأساليب العميقة أن تحقق هذا النوع من الدقة مع الشفافية”.

تدريب النموذج وتحضيره

قام الباحثون بتحضير النموذج قبل اختباره على مجموعة بيانات، لأن المعلومات التي توفرها البشر يمكن أن تؤدي إلى تحيز وصناديق سوداء.

تم تصنيف المنشورات من قبل الباحثين على أنها معلومات خاطئة أو حقيقية بناءً على مجموعة من القواعد المحددة حول اللغة المستخدمة في المعلومات الخاطئة. كما أضاف الفريق أيضًا دقة في اللغة البشرية والخصائص اللغوية المرتبطة بالمعلومات الخاطئة.

قبل تدريب النموذج، حدد أستاذ اللغويات الاجتماعية كريستين مالينسون من جامعة ميريلاند بالتيمور المنشورات لأساليب الكتابة المرتبطة بالمعلومات الخاطئة والتحيز والمصادر الأقل موثوقية في وسائل الإعلام الإخبارية.

“عندما نضيف هذه الإدخالات إلى النموذج، فهو يحاول فهم العوامل الأساسية التي تؤدي إلى فصل المعلومات الجيدة والسيئة”، قال جابكوفيتش. “إنه يتعلم السياق وكيف تتفاعل الكلمات”.

سيبحث الباحثون الآن عن تحسين واجهة المستخدم للنموذج، بالإضافة إلى قدرته على الكشف عن المعلومات الخاطئة في منشورات وسائل التواصل الاجتماعي التي تحتوي على صور أو وسائط متعددة أخرى. سيتعين على النموذج الإحصائي أن يتعلم كيفية تفاعل مجموعة متنوعة من العناصر المختلفة لإنشاء معلومات خاطئة.

كلا بوكوفالاس وجابكوفيتش يؤكدان أن الذكاء البشري ووسائل الإعلام المتعلمة هي المفتاح لوقف انتشار المعلومات الخاطئة.

“من خلال عملنا، نصمم أدوات تستند إلى التعلم الآلي لتنبيه وتثقيف الجمهور من أجل القضاء على المعلومات الخاطئة، ولكننا نعتقد ب强 mẽ أن البشر يجب أن يلعبوا دورًا نشطًا في عدم نشر المعلومات الخاطئة في المقام الأول”، قال بوكوفالاس.