İstatistiksel Model, Sosyal Medyada Yanlış Bilgiyi Tespit Etmeye Yardımcı Oluyor

Amerikan Üniversitesi’nden bir matematik profesörü ve birlikte çalıştığı ekibi, sosyal medya gönderilerinde yanlış bilgiyi tespit edebilen bir istatistiksel model geliştirdi.

Makine öğrenimi, yanlış bilginin yayılmasını durdurmak için giderek daha fazla kullanılıyor, ancak siyah kutular sorunuyla ilgili büyük bir engel vẫn mevcut. Bu, araştırmacıların bir makinenin insan eğitmenlerle aynı kararı nasıl aldığına dair anlayamadıkları durumları ifade ediyor.

İstatistiksel Modellerle Yanlış Bilgiyi Tespit Etme

AU Matematik ve İstatistik Bölümü’nden yardımcı doçent Zois Boukouvalas, COVID-19 hakkında yanlış bilgi içeren Twitter verilerini kullanarak, istatistiksel modellerin sosyal medyada büyük olaylar veya felaketler sırasında yanlış bilgiyi nasıl tespit edebileceğini gösterdi.

Boukouvalas ve ekibi, AU öğrencisi Caitlin Moroney ve Bilgisayar Bilimi Profesörü Nathalie Japkowics, modelin kararlarının insanlarla nasıl uyumlu olduğunu yayımlanan araştırmada gösterdiler.

“Bir makine karar alırken ne düşündüğünü ve neden insan eğitmenlerle aynı kararı aldığını bilmeyi isteriz” dedi Boukouvalas. “Bir kişinin sosyal medya hesabını, modelin önyargılı bir karar alması nedeniyle engelleme istemeyiz.”

Ekibin kullandığı yöntem, istatistiğe dayanan bir tür makine öğrenimidir. İstatistiksel modeller etkili ve yanlış bilginin yayılmasını önlemek için başka bir yol sunuyor.

Model, yüksek bir tahmin performansı gösterdi ve 112 gerçek ve yanlış bilgi içeren tweeti %90’ın üzerinde bir doğrulukla sınıflandırdı.

“Bu bulgunun önemli olan yanı, modelin hem yüksek doğruluk sağlaması hem de yanlış bilgiyi nasıl tespit ettiğine dair şeffaflık sunması” diye devam etti Boukouvalas. “Derin öğrenme yöntemleri bu düzeyde doğruluk ve şeffaflık sağlayamaz.”

Modeli Eğitmek ve Hazırlamak

Araştırmacılar, modeli test etmeden önce eğitmek için hazırladılar, çünkü insanların sağladığı bilgiler önyargı ve siyah kutulara neden olabilir.

Tweets, araştırmacılar tarafından önceden belirlenmiş kurallara göre yanlış bilgi veya gerçek olarak etiketlendi. Ekibin ayrıca, insan dilindeki nüansları ve yanlış bilgiyle bağlantılı dilbilimsel özellikleri de dikkate aldı.

Modeli eğitmeye başlamadan önce, Maryland Baltimore County Üniversitesi’nden sosyo-dilbilim profesörü Christine Mallinson, yanlış bilgi, önyargı ve menos güvenilir kaynaklarla bağlantılı yazım stillerini tanımladı.

“Bu girdileri modelimize eklediğimizde, iyi ve kötü bilginin ayrımına yol açan temel faktörleri anlamaya çalışıyor” dedi Japkowicz. “Bağlamı ve kelimelerin nasıl etkileşime girdiğini öğreniyor.”

Araştırmacılar, şimdi modelin kullanıcı arayüzünü geliştirmeye ve sosyal medya gönderilerinde yanlış bilgiyi tespit etme yeteneğini artırmaya çalışacaklar. İstatistiksel model, yanlış bilgi oluşturmak için farklı unsurların nasıl etkileşime girdiğini öğrenmek zorunda kalacak.

Hem Boukouvalas hem de Japkowicz, insan zekası ve haber okuryazarlığının yanlış bilginin yayılmasını durdurmak için anahtar olduğunu söylüyor.

“Çalışmamızda, makine öğrenimi temelli araçlar tasarlıyoruz ve kamuoyunu yanlış bilgiyi ortadan kaldırmak için eğitiyoruz, ancak insanların yanlış bilgiyi yaymaktan aktif olarak kaçınmaları gerektiğini güçlü bir şekilde düşünüyoruz” dedi Boukouvalas.