CC BY
0<S Соколов Александр Владимирович
кандидат филологических наук, доцент кафедры массовых коммуникации и медиабизнеса, Финансовый университет при Правительстве Российской Федерации
Ленинградский пр-т, 49, Москва, 125167 E-mail: [email protected]
Типология инструментов фактчекинга: на пути к устойчивой информационной среде
Статья посвящена всестороннему анализу инструментов и подходов к борьбе с дезинформацией в современной цифровой среде. Внимание автора сосредоточено на классификации средств фактчекинга, включая автоматизированные алгоритмы, краудсорсинговые платформы и образовательные программы по медиа-грамотности. В исследовании предложена типология, основанная на функциональных характеристиках и областях применения инструментов проверки фактов. В работе рассматриваются сильные и слабые стороны различных подходов к фактчекингу, включая использование искусственного интеллекта, алгоритмов машинного обучения и гибридных моделей, объединяющих автоматизацию и человеческий контроль. Анализируются вызовы, связанные с распространением дезинформации, генерируемой с помощью ИИ, включая создание реалистичных фейков, сложности верификации данных и влияние на общественное мнение. Автор подчёркивает важность многоуровневой системы проверки информации, где автоматизированные инструменты сочетаются с человеческой экспертизой. В статье рассматриваются различные типы инструментов проверки: анализ текстов, изображений, видео и аудио, использование блокчейна для обеспечения прозрачности, а также интеграция с образовательными инициативами. Методология исследования включает сбор и обработку данных с помощью современных технологий, кластерный анализ и визуализацию. В результате автором предложен всесторонний подход к исследованию проблем фактчекинга, направленный на повышение устойчивости информационной среды и предотвращение дезинформации в медиа и журналистике. Выводы способствуют систематизации знаний в указанной области, разработке новых подходов к фактчекингу, повышению медиаграмотности и формированию устойчивой к дезинформации информационной среды.
Ключевые слова: фактчекинг, медиа, искусственный интеллект, типология, журналистика.
Для цитирования: Соколов А.В. Типология инструментов фактчекинга: на пути к устойчивой информационной среде // Вопросы медиабизнеса. 2024. Т. 3. № 3. С. 68-76. DOI: 10.24412/3034-1930-2024-0230
Alexander V. Sokolov
©
Candidate of Philological Sciences,
Associate Professor of the Chair of Mass Communications and Media Business, Financial University under the Government of the Russian Federation
Leningradsky Ave., 49, Moscow, 125167 E-mail: [email protected]
Typology of Fact-Checking Tools: Towards a Sustainable Information Environment
The article presents a comprehensive analysis of tools and approaches for combating disinformation in the contemporary digital environment. The author focuses on the classification of fact-checking tools, including automated algorithms, crowdsourcing platforms, and educational programs aimed at improving media literacy. The study proposes a typology based on the functional characteristics and application areas of these tools. The research examines the strengths and limitations of various fact-checking approaches, encompassing artificial intelligence, machine learning algorithms, and hybrid models that integrate automation with human expertise. Challenges associated with the spread of Al-generated disinformation are analyzed, including the creation of realistic fakes, the complexities of data verification, and the impact on public opinion. The importance of a multi-layered information verification system, combining automated tools with human oversight, is emphasized. The article reviews diverse types of verification tools, including those for analyzing text, images, videos, and audio, as well as blockchain-based solutions for enhancing transparency and integration with educational initiatives. The methodology of the study involves data collection and processing using advanced technologies, cluster analysis, and visualization. As a result, the author proposes a comprehensive approach to addressing fact-checking challenges aimed at enhancing the resilience of the information environment and preventing the dissemination of disinformation in media and journalism. The findings contribute to the systematization of knowledge in the field, the development of new fact-checking methods, the promotion of media literacy, and the creation of a sustainable information environment resistant to disinformation.
Keywords: fact-checking, media, artificial intelligence, typology, journalism. JEL Classification: L82
For citation: Sokolov A.V. Typology of Fact-Checking Tools: Towards a Sustainable Information Environment. Issues of Media Business, 2024, vol. 3, no. 3, pp. 68-76. DOI: 10.24412/3034-1930-2024-0230
Введение, постановка проблемы
Развитие технологий актуализирует проблему дезинформации в СМИ. В 2024 г. более чем в 50 странах по всему миру проходят национальные и региональные выборы. В этой связи широкая доступность инструментов искусственного интеллекта, может привести к массовому распространению политически мотивированной дезинформации в социальных сетях [Scott, 2024]. Методы, которые ранее казались немыслимыми, теперь могут быть использованы для заполнения цифровых платформ ложными сообщениями, что создает новые вызовы для устойчивости информационной среды [Ray, 2024].
Актуальность проблемы дезинформации, генерируемой с помощью ИИ в СМИ, подтверждается тем, что более половины, или 53%, участников опроса, проведенного университетом Вашингтона, не способны отличить контент, сгенерированный ИИ [Clark и др., 2021]. Исследование, проведенное в канадском университете Брока, показало, что участники правильно угадывали, был ли текст сгенерирован ИИ, лишь в 24% случаев [Kumar, 2024]. В свою очередь исследования Корнеллского университета подтвердили, что неподготовленные пользователи способны распознавать тексты ИИ только случайно [Naaman, 2023].
Ряд работ показывает, что ИИ способен создавать дезинформацию более эффективно, чем люди [Spitale, Biller-Andorno, Germani, 2023], поскольку дезинформация, генерируемая ИИ, не только дешевле и быстрее в производстве, но и более действенна [Williams, 2023]. Однако даже качественная персонализированная дезинформация, сгенерированная ИИ, может иметь ограниченное воздействие на аудиторию, учитывая существующие методы создания реалистичных фейков [Williams, 2023]. Обычная дезинформация по-прежнему вызывает большее беспокойство, чем дезинформация, генерируемая ИИ [Adami, 2024].
Таким образом, проблема дезинформации требует не только выявления и анализа различных инструментов её распространения, но и разработки комплексных подходов к проверке информации.
Актуальность исследования типологии инструментов фактчекинга обусловлена необходимостью поддержания устойчивости информационной среды, способной противостоять угрозам дезинформации, в том числе, генерируемой при помощи технологий искусственного интеллекта.
Тем более, что ряд авторы подчеркивают, что необходимо различать жанровый и инструментальный аспекты «fake news», так как каждый из них оказывает различное влияние на общество. Феномен «fake news» выходит за рамки простой дезинформации, представляя собой симптом более глубоких изменений в медиапространстве, включая кризис доверия к журналистике и институтам [Egelhofer, Lecheler, 2019].
Анализ актуальных исследований
Проблемы дезинформации и способов борьбы с ней, особенно в последние годы, находятся в фокусе внимания многих авторов [Nucci et al., 2020; Salazar, 2020; Van Damme, 2021; Castejon-Lara, 2021; Fernández et al., 2021; Allen et al., 2021; Soni, Shelke, 2022; El Khouri Buzato, 2023; Gutiérrez-Caneda, Vázquez-Herrero, 2024; Kavtaradze, Kalsnes, 2024]. Наибольший интерес сосредоточен на цифровизации и автоматизации процесса проверки фактов [Kanozia, 2019], внедрении алгоритмов машинного обучения и нейронных сетей для анализа текстов, изображений, видео и других типов контента. Условно можно выделить три перспективных направления. Изучение методов проверки на основе нейронных сетей для оценки достоверности неструктурированных текстовых данных, использующие комбинацию методов: учет семантического сходства, анализ тональности и оценка надежности источника [Choudhary et al., 2020]. Другое направление: вычислительная проверка фактов, которая может значительно расширить возможности по оценке достоверности сомнительной информации [Ciampaglia, et al., 2015]. Разрабатываются методы автоматического обнаружения ложных новостей в Интернете и социальных сетях [Lahlou et al., 2019]. Таким образом, речь идет о подходах, основанных на автоматическом обнаружении фейковых новостей, автоматизированной проверке фактов или вычислительной проверке фактов.
В литературе представлены различные типологии как фальшивого контента, например, Э. К. Тандок выделяет, таких как сатира, пародия на новости, сфабрикованный контент или вводящие в заблуждение истории, графические манипуляции для пропаганды и т. д. [Tandoc, Lim, Ling, 2018], так и ресурсов для проверки фактов, например, А. Мониер обозначает следующие типы ресурсов: автоматизированные инструменты; платформы для краудсорсинговой проверки фактов; ресурсы для медиа-грамотности и образования; гибридные модели. Основанием типологии является вовлеченность и роли различных субъектов (технологии, сообщество, эксперты, образование) в процессе фактчекинга [Monnier, 2023].
В целом можно говорить о доступности разнообразного набора инструментов проверки фактов. Автоматизированные инструменты предоставляют скорость и масштабируемость, но могут страдать от неточностей и алгоритмических предвзятостей. Краудсорсинговые платформы вовлекают сообщество в процесс проверки, хотя и имеют проблемы с координацией и надежностью. Профессиональные организации по проверке фактов обеспечивают экспертность и тщательность, но их возможности ограничены ресурсами [Monnier, 2023]. Образовательные программы по медиа-грамотности способствуют долгосрочному повышению критического мышления у населения. Гибридные модели, объединяющие автоматизированные инструменты, краудсор-синг и профессиональный надзор, предлагают наиболее всесторонний подход, хотя и требуют сложной координации.
Анализ существующих подходов к проверке фактов показывает необходимость систематизации и создания новой типологии, которая бы объединяла инструменты с учетом их специфических задач и областей применения. Именно такой подход позволит повысить эффективность проверки фактов в условиях разнообразных вызовов, связанных с распространением дезинформации.
Методология исследования
Методология исследования основана на многоступенчатом подходе, сочетающем сбор и систематизацию данных, автоматизированный и ручной анализ, а также применение современных технологий обработки информации.
Для создания авторской типологии и анализа инструментов фактчекинга был использован метод классификации по функциональным характеристикам каждого инструмента, с разделением на категории на основе их основного назначения и использования.
Этап сбора данных
В рамках настоящего исследования была разработана методология составления поисковых запросов, которая позволяет систематизировать процесс поиска и повысить его качество. Поиск проводился по следующим ключевым словам: «fake news», «fact-checking», а так же связанным понятиям: «disinformation», «news verification», «media literacy». Для повышения точности поиска используются логические операторы: and, or, not, " ", () для поиска, включающего несколько терминов одновременно, указания альтернативных вариантов терминов, исключения нерелевантных терминов, поиска точных фраз, комбинирования операторов. Применялись фильтры для уточнения области поиска: по типу доменов (источников) «site: », временным рамкам поиска «after: », языковым фильтрам «lang: ». Примеры использовавшихся поисковых запросов: "fake news detection» AND («tools» OR «resources» OR «software»), «fact-checking initiatives» AND («programs» OR «platforms»), «fake news detection tools» AND («AI» OR «machine learning») after:2020, «fact-checking organizations» AND («case studies» OR «impact reports»), «machine learning for fake news detection» AND («algorithms» OR «models»), «AI for news verification» site:researchgate.net и др. Полученная поисковая выдача была проанализирована, приоритет отдавался находящимся в открытом доступе, научным, исследовательским, профессиональным, экспертным, коммерческим и популярным ресурсам.
Выявленные ресурсы1 в зависимости от количества и характера информации (ссылок) обрабатывались вручную или с использованием парсера — скрипта на языке Python с использованием библиотек: Requests + BeautifulSoup или lxml; Playwright; Scrapy. Библиотека Pandas использовалась для структурирования данных, полученных в процессе парсинга и экспорта в CSV формат. Все полученные данные были собраны в файл CSV, который был проверен на дублирующие друг друга записи.
Первичный анализ проводился для каждого выявленного инструмента (решения и\или программного продукта), был изучено функциональное назначение, описание, условия доступа и использования. В результате ручного сбора и парсинга был сформирован датасет, содержащий 309 строк (записей), после очистки и ручной перепроверки количество записей было сокращено до 240. Полученные данные, приведенные в табличных формат, были структурированы: наименование; краткое описание/функциональное предназначение; адрес ресурса в сети интернет, ссылки были проверены на актуальность и работоспособность.
В дальнейшем для обработки данных использовались библиотеки Python Pandas и spaC, визуализация данных была проведена с испольованием библиотеки NetworkX для построения графов и библиотеки Matplotlib для их визуализации.
1 Основным критерии поиска и отбора инструментов для анализа включали: доступность в сети и\или возможность загрузки из сети Интернет, свободный доступ к базовому функционалу.
В дополнении к классификации был проведен кластерный анализ, объединение результатов классификации с данными кластеров для определения ключевых областей применения инструментов. Так же применялась визуализации данных для наглядного отображения распределения инструментов по категориям и кластерам.
Предварительные результаты
В рамках исследования были выделены и проанализированы следующие группы ресурсов (классифицированы по типу исследуемого контента) для проверки достоверности информации (см. рис. 1).
Ресурсы, направленные на анализ и выявление изображений, созданных с помощью ИИ, проверку подлинности визуального контента (дипфейков), детального анализа изображений на предмет редактирования, обнаружения изменений, поиска дубликатов изображений и отслеживания их происхождения: Forensically Image Verification Tool2, Foto Forensics3, IPVM4, Nuanced5, Which Face Is Real?6, TinEye7, Dupli Checker8, Image Match9, Image Verification Assistant10 и др. Ресурсы, используемые для извлечении и анализа метаданных изображений: EXIF Data Viewer11, Metadata2go12, ExifTool13, Get-Metadata Viewer14 и др.
Ресурсы, направленные на анализ и проверку подлинности видеоконтента: Verification plugin — WeVerify15, YouTube DataViewer16, Duke Videofactchecking Tool17, Video Verification Plugin18, Deepfake-o-Meter19, WatchFramebyFrame.com20, InVid21 , Truepic22 и др.
Ресурсы, направленные на анализ и проверку подлинности аудиоконтента: The Glorious ContextuBot23, Resemble AI24, Pindrop25, AI Voice Detector26 и др.
Ресурсы, направленные на анализ и проверку подлинности текстового контента, а также на выявление дезинформации: Exorde Network27, Factiverse28, ClaimReview29, FactCheck.org30,
2 Набор инструментов для цифровой криминалистики изображений, включающий функции увеличения, анализа ошибок и шума: Forensically, free online photo forensics tools. URL: https://29a.ch/photo-forensics/#forensic-magnifier (дата обращения: 06.06.2024).
3 Инструмент для анализа изображений на предмет редактирования. URL: https://fotoforensics.com.
4 Криминалистика изображений. The authority on physical security technology (требуется регистрация). URL: https://ipvm.com (дата обращения: 05.12.2024).
5 Инструмент для обнаружения AI-сгенерированных изображений. URL: https://www.nuanced.dev (дата обращения: 05.12.2024).
6 Тест на распознавание дипфейков. URL: https://whichfaceisreal.com (дата обращения: 06.06.2024).
7 Инструмент обратного поиска изображений для выявления дубликатов и отслеживания происхождения изображений. URL: https://tineye.com (дата обращения: 06.06.2024).
8 Сервис проверки дубликатов изображений. URL: https://www.duplichecker.com/reverse-image-search.php (дата обращения: 06.06.2024).
9 Инструмент отслеживания публикаций изображений в сети интернет. URL: https://www.imagematch.ai (дата обращения: 06.06.2024).
10 Помощник проверки изображений (Reveal) CERTH-ITI и Deutsche Welle. Media Verification Assistant включает в себя множество алгоритмов обнаружения фальсификации изображений, а также анализ метаданных, GPS-геолокацию, извлечение миниатюр EXIF и интеграцию с обратным поиском изображений через Google. URL: https://mever.iti.gr/forensics/ (дата обращения: 05.12.2024).
11 Веб-инструмент для извлечения данных EXIF. URL: https://exifdataviewer.com (дата обращения: 06.06.2024).
12 Веб-инструмент для извлечения данных EXIF. URL: https://metadata2go.com (дата обращения: 06.06.2024).
13 Компьютерное приложение для анализа метаданных изображений. URL: https://exiftool.org (дата обращения: 06.06.2024).
14 Веб-инструмент для получения метаданных о фото, видео и текстах, включая местоположение, время и дату изменения. URL: https://get-metadata.com (дата обращения: 12.11.2024).
15 Плагин для проверки визуального контента, включает функции анализа изображений, оптического распознавания символов и проверки базы данных известных фейков. URL: https://weverify.eu (дата обращения: 06.06.2024).
16 Инструмент для извлечения метаданных видео на YouTube. URL: https://ytlarge.com/youtube/video-data-viewer/ (дата обращения: 06.06.2024).
17 Расширение для браузера для он-лайн проверки фактов на телевидении. URL: https://duke.edu (дата обращения: 06.06.2024).
18 Набор инструментов для проверки видео с функцией обратного поиска. URL: https://invid-project.eu.
19 DepFake-O-Meter — онлайн-платформа для обнаружения поддельных видео, изображения и аудио, созданных с помощью методов искусственного интеллекта. URL: https://detectortools.ai/tool/deepfake-o-meter/ (дата обращения: 06.06.2024).
20 Инструмент для покадрового воспроизведения YouTube и Vimeo видео. URL: http://www.watchframebyframe.com (дата обращения: 06.06.2024).
21 Набор инструментов для проверки видео. См. URL: https://www.invid-project.eu/ (дата обращения: 06.06.2024).
22 Инструмент для проверки подлинности визуального контента, предоставляет метаданные и историю медиа файлов. URL: https:// truepic.com (дата обращения: 06.06.2024).
23 Инструмент для обнаружения оригинального источника аудио (видео) файлов и контекста их использования, (реконтекстуализировать вирусное видео, выяснив, сколько раз оно транслировалось). URL: https://contextubot.net (дата обращения: 12.11.2024).
24 Инструмент для спектрального анализа аудио и обнаружения артефактов. URL: https://resemble.ai (дата обращения: 12.11.2024).
25 Инструмент для обнаружения аудио дипфейков в реальном времени. URL: https://pindrop.com. (дата обращения: 12.11.2024).
26 Инструмент для сканирования аудио. URL: https://aivoicedetector.com (дата обращения: 12.11.2024).
27 Платформа для анализа распространения и вирулентности информации в интернете. URL: https://exorde.network (дата обращения: 12.11.2024).
28 ИИ-инструмент для проверки информации, помогает выявлять дезинформацию и указывать на надежные источники. URL: https://www.factiverse.ai (дата обращения: 12.11.2024).
29 Система тегирования для идентификации и продвижения проверенных фактов в поисковых системах и социальных сетях. URL: 72 https://www.claimreviewproject.com (дата обращения: 12.11.2024).
30 Проект для проверки утверждений американских политиков и научных заявлений. URL: https://factcheck.org (дата обращения: 12.11.2024).
ClaimBuster31, Captain Fact32, CrossCheck33, Dirt Protocol34, Debunkbot35, MyAIFactChecker36, Sensity AI37 и др.
Рисунок 1. Иерархия инструментов проверки фактов Источник: составлено автором
Типология ресурсов для анализа и выявления недостоверной информации
На основе проведенного анализа была предложена типология ресурсов для анализа и выявления недостоверной информации на основе функциональной направленность — по основному назначению и задачам инструментов:
Целевое использование ИИ
Инструменты, использующие искусственный интеллект для анализа и обнаружения дезинформации в изображениях, видео, аудио и текстовом контенте. Например, Factiverse, ClaimBuster, Sensity AI, Resemble AI, Nuanced, AI Voice Detector, MyAIFactChecker, Longshot: Top AI Fact-Checking Tools, Lingshot и др.
Плагины и расширения для браузеров
Плагины и расширения для браузеров, облегчающие проверку подлинности контента во время его просмотра в интернете. Например, Verification plugin — WeVerify, We Verify Browser Plug-in, Duke Videofactchecking Tool и др.
31 Автоматизированный инструмент для проверки фактов, использующий обработку естественного языка и машинное обучение, разработанный департаментом компьютерных наук The University of Texas at Arlington. URL: https://idir.uta.edu/claimbuster/ (дата обращения: 12.11.2024).
32 Коллекция инструментов для совместной проверки интернет-контента. URL: https://captainfact.io (дата обращения: 12.11.2024).
33 Совместная инициатива для верификации новостей. URL: https://firstdraftnews.org (дата обращения: 12.11.2024).
34 Блокчейн-инструмент для верификации данных. URL: https://dirtprotocol.com (дата обращения: 12.11.2024).
35 Веб-инструмент для отслеживания, проверки и опровержения слухов и теорий заговора в интернете. URL: https://www.debunkbot. com/conspiracies (дата обращения: 12.11.2024).
36 Инструмент для проверки подлинности новостей и заявлений. URL: https://www.myaifactchecker.org (дата обращения: 12.11.2024).
37 Инструмент для проверки фактов на основе ИИ. См. URL: https://sensity.ai (дата обращения: 12.11.2024).
Веб-сайты и онлайн-инструменты
Веб-интерфейсы для анализа и проверки подлинности различного контента, доступные без необходимости установки дополнительного ПО. Например: EXIF Data Viewer, Metadata2go, Fotoforensics, TinEye, Image Match, Forensically Image Verification Tool, IPVM, Which Face Is Real?, YouTube DataViewer, Video Verification Plugin (InVid), Truepic, Deepfake-o-Meter, WatchFramebyFrame.com, InVid, The Glorious ContextuBot, FactCheck.org, Captain Fact, CrossCheck, Digital Polarization Initiative, Emergent.Info и др.
Программное обеспечение и десктопные приложения
Специализированные программы для анализа и проверки подлинности данных, используемые профессионалами для глубокого анализа. Например, ExifTool38 и др.
Ресурсы на основе блокчейна
Используют блокчейн для обеспечения прозрачности и достоверности данных, создавая неизменяемый журнал действий. Например, Dirt Protocol39 и др.
Платформы для анализа и краудсорсинга
Платформы, предоставляющие возможности для коллективного анализа и краудсорсинго-вой проверки данных, что обеспечивает более широкий охват и разнообразие мнений. Например, Exorde Network, Rolli40 и др.
Каждая категория включает в себя инструменты и ресурсы, которые могут помочь в анализе и выявлении недостоверной информации в различных типах контента.
Кластерный анализ
Проведенный кластерный анализ показал, что каждый из выделенных кластеров, характеризует инструменты фактчекинга по их функциональности и основному назначению, см. рис. 2.
Отслеживание дезинформации и анализ источников (кластер 0):
Инструменты в этом кластере сосредоточены на глубоком анализе источников дезинформации и на отслеживании цепочек распространения. Это делает их эффективными для комплексного мониторинга информационных потоков и понимания, как фейковые новости распространяются в сети. Такие инструменты полезны для аналитиков, которые занимаются стратегическим выявлением источников дезинформации и изучением взаимосвязей.
Анализ медиа и контекста (кластер 1):
Этот кластер охватывает инструменты, предназначенные для работы с политическим контентом, медиаанализом и оценкой предвзятости информации. Их особенность заключается в возможности анализа содержания с точки зрения политических влияний и факторов. Это полезно для журналистов, работающих в сфере политики, а также для исследователей, которые изучают, как предвзятость и политические нарративы распространяются через различные медиа.
Быстрая проверка подлинности (кластер 2):
Инструменты этого кластера предназначены для оперативной проверки различных типов контента (изображения, тексты и видео) на предмет достоверности. Такие решения часто используются в ситуациях, когда важна быстрая проверка информации — например, при проверке новостных публикаций в реальном времени. Это важно для журналистов, работающих в условиях высокой оперативности, а также для социальных платформ, стремящихся к быстрому реагированию на дезинформацию.
Оперативная проверка текстов (кластер 3):
В этот кластер входят инструменты, сфокусированные на проверке фактов в текстовых данных. Эти решения обеспечивают глубокий анализ текстов на предмет правдивости и помогают журналистам и фактчекерам проверять достоверность статей, новостей и публикаций. Это особенно полезно для оперативной работы по верификации информации перед её публикацией.
38 Утилита, позволяет читать, записывать и редактировать метаинформацию. URL: https://www.exiftool.org/ (дата обращения: 12.11.2024).
39 Протокол для децентрализованной проверки данных. DIRT позволяет любому желающему развернуть на Ethereum хранилище данных, которое можно открыто редактировать. Хранилище данных, управляется сообществом (Community Moderated Datastore, CMD, у него нет единого владельца. Все данные принадлежат сообществу и управляются им, и любой сервис или приложение может использовать данные в CMD.
40 Платформа предназначена для предоставления журналистам передовых инструментов ИИ для сбора новостей. URL: https:// rolliapp.com (дата обращения: 12.11.2024).
Рисунок 2. Иерархия инструментов проверки фактов: результаты кластерного анализа Источник: составлено автором
Общие характеристики кластеризации:
• кластеры позволяют четко определить, на какие задачи ориентирован тот или иной набор инструментов — будь то отслеживание источников, анализ медиа, быстрая проверка или анализ текстов;
• кластеризация также помогает понять, что часто требуется комбинированное использование инструментов из разных групп для получения более точного результата. Например, отслеживание источников дезинформации (кластер 0) можно дополнять оперативной проверкой (кластер 2) для немедленной реакции;
• кластеры также указывают на различия в целевых аудиториях — от журналистов и фак-тчекеров до аналитиков и разработчиков политических стратегий. Это дает возможность выбирать инструменты в зависимости от специфических нужд пользователя.
Таким образом, кластеризация демонстрирует, как можно максимально эффективно использовать разнообразие инструментов в зависимости от типа данных и контекста проверки фактов.
Выводы
Цель настоящего исследования заключалась в разработке типологий решений для проверки фактов. Типологии играют важную роль как в научных исследованиях, так и в практической деятельности медиаорганизаций. Они способствуют систематизации знаний, упрощают разработку новых теорий и моделей, а также оптимизируют использование ресурсов и повышают эффективность методов проверки фактов. В итоге типологические подходы способствуют формированию более информированного и устойчивого к дезинформации общества.
Предложенная и обоснованная в рамках работы типология решений в области проверки фактов, способствуя созданию устойчивой информационной среды. Классификация по функциональным характеристикам каждого инструмента позволяет оптимально использовать их для анализа и выявления недостоверной информации в медиакоммуникациях и журналистике.
References
Adami M. How AI-generated disinformation might impact this year's elections and how journalists should report on it. URL: https://reutersinstitute.politics.ox.ac.uk/news/how-ai-generated-disinformation-might-impact-years-elections-and-how-journalists-should-report (accessed: 22.05.2024).
Allen J., Arechar A.A., Pennycook G., Rand D.G. Scaling up fact-checking using the wisdom of crowds. Science Advances, 2021, vol. 76 no. 36, pp. eabf4393.
Castejon-Lara E. Facing the threat of fake news: A New Citizen Responsibility. Academia Letters, 2021, no. 3188.
Choudhary N., Singh R., Bindlish I., Shrivastava M. Neural Network Architecture for Credibility Assessment of Textual Claims (Best Paper Award, First Place). International Conference on Computational Linguistics and Intelligent Text Processing. Cham: Springer Nature Switzerland, 2018, pp. 301-313
Ciampaglia G.L., Shiralkar P., Rocha L.M., Bollen J., Menczer F., Flammini A. Computational fact checking from knowledge networks. PloS one, 2015, vol. 10, no. 6, pp. e0128193.
Clark E., August T., Serrano S., Haduong N., Gururangan S., Smith N.A. All that's' human'is not gold: Evaluating human evaluation of generated text. arXiv preprint arXiv:2107.00061, 2021.
Egelhofer J.L., Lecheler S. Fake news as a two-dimensional phenomenon: A framework and research agenda. Annals of the international communication association, 2019, vol. 43, no. 2, pp. 97-116.
El Khouri Buzato M. Systemic tools integration to fight fake news from a posthumanist perspective. Comunicado & Sociedade, 2023, vol. 45, no. 1, pp. 145-168.
Fernández E.A.O., Castillo G.P., García S.C., Oliva M.A. Fact Checking Agencies and Processes to Fight Against Fake News. Moving technology ethics at the forefront of society, organisations and governments. Universidad de La Rioja, 2021, pp. 219-228.
Gutiérrez-Caneda B., Vázquez-Herrero J. Redrawing the Lines Against Disinformation: How AI Is Shaping the Present and Future of Fact-checking. Tripodos, 2024, no. 55, pp. 55-74.
Kanozia R. Analysis of digital tools and technologies for debunking fake news. Journal of Content, Community & Communication, 2019, vol. 9, no. 5, pp. 114-122.
Kavtaradze L., Kalsnes B. AI-powered fact-checking: Strategic framing of AI use. Strategic Communication-Contemporary Perspectives, 2024.
Kumar R., Mindzak M. Who wrote this? Detecting artificial intelligence-generated text from human-written text. Canadian Perspectives on Academic Integrity, 2024, vol. 7, no. 1, pp. 1-9.
Lahlou Y., Fkihi S. El., Faizi R. Automatic detection of fake news on online platforms: A survey. 2019 1st international conference on smart systems and data science (ICSSD), IEEE, 2019, pp. 1-4.
Monnier A., Dandois J., Filipczyk A., Konstanta E., Losa-Jonczyk A., Mourlas C. A Typology of Fact-Checking Resources. Questions de communication, 2023, vol. 43, no. 1, pp. 297-316.
Naaman M. «Silly» to expect AI mimicking human-written text could be easily detected. URL: https://news.cornell.edu/media-relations/tip-sheets/silly-expect-ai-mimicking-human-written-text-could-be-easily-detected (accessed: 22.07.2024).
Nucci F., Boi S., Magaldi M. Artificial Intelligence Against Disinformation: the Fandango Practical Case. URL: https://www. semanticscholar.org/paper/Artificial-Intelligence-Against-Disinformation%3A-The-Nucci-Boi/17d6ac4c08a5cbdc8a046224 d1ee75537844dbf6#citing-papers (accessed: 22.07.2024).
Ray S. 2024 Is The biggest election year in history — here are the countries going to the polls this year. Forbes, 2024.
Salazar A.P. AI tools on fake news detection: An overview and comparative study. Researchgate, 2020.
Scott M. Deepfakes, distrust and disinformation: Welcome to the AI election. 2024.
Soni K., Shelke R. Fake Data and AI: Debunking Fake News to Educate and Enhance Media Literacy — A Study. International Conference on Applications of Machine Intelligence and Data Analytics (ICAMIDA 2022). Atlantis Press, 2023, pp. 201-213.
Spitale G., Biller-Andorno N., Germani F. AI model GPT-3 (dis) informs us better than humans. Science Advances, 2023, vol. 9, no. 26, pp. eadh1850.
Tandoc E.C., Lim Z.W., Ling R. Defining «Fake News». Digital Journalism, 2018, vol. 6, no. 2, pp. 137-153..
Van Damme T. Global Trends in Fact-Checking. A Data-Driven Analysis of ClaimReview. Faculty of Social Sciences, University of Antwerp. 2021, 77 p.
Williams R. Humans may be more likely to believe disinformation generated by AI. URL: https://www.technologyreview. com/2023/06/28/1075683/humans-may-be-more-likely-to-believe-disinformation-generated-by-ai/ (accessed: 22.05.2024).
