神彩下载app送28社交网站上假新闻到底有多少?《科学》杂志发文阐述相关研究

  • 时间:
  • 浏览:0
  • 来源:彩神大发快3-彩神网快3官方

  原标题:社交网站上假新闻到底有2个?《科学》杂志发文阐述相关研究 编者按:习惯于浏览各大社交网站获取

  编者按:习惯于浏览各大社交网站获取新闻信息,习惯于“一言不合”就转发,曾经 你在乎过新闻信息的吗?你知道那先 新闻中的虚假信息占2个吗?虚假信息满天飞身后的是因为又是那先 呢?会给社会带来如可的影响?本文编译自theatlantic上原标题为The Grim Conclusions of the Largest-Ever Study of Fake News的文章。

  有5个多世纪前,曾经 说很夸张。但《科学》杂志上发表的一项首次针对你这类 疑问的研究报告申明你这类 对社交的描述是事实。

  这项大规模的新研究分析了Twitter中每篇被质疑的新闻故事 - 合适12.8万个故事,在过去10年中被8万用户转发。研究结果发现事实根本无法与恶作剧和相抗衡。研究发现,根据任何一种生活常用的度量标准,虚假新闻老会 支配着Twitter上的:虚假新闻和都都还能不能吸引更多的人,更深入地渗透到社交网络中,但会 地比准确的信息减慢。

  “从当让当我们当我们 的研究中都还能不能 看出,虚假信息战胜了真实信息,”来自麻省理工学院的数据科学家Soroush Vosoughi说,他从2013年现在现在开始 研究虚假新闻,并领导了这项研究。 “这不仅仅是机会机器,机会与人性有关。“

  这项研究机会引起社会科学家的。 《科学》杂志上发表的一篇文章中,16位学家和法律学者写道“在21世纪,当让当我们当我们 都还能不能 重新设计当让当我们当我们 的信息生态系统”。当让当我们当我们 呼吁开展跨学科研究,“以减少虚假新闻的,解决虚假新闻的潜在病症。”

  新研究表明,这不必容易。真是Vosoughi和他的同事只研究Twitter,但研究使用的是公司提供给MIT的独家数据,当让当我们当我们 的工作对Facebook,YouTube和所有主要社交网络全部都是影响。任何老会 夸大吸引人或挑衅性内容的平台全部都是机会放大虚假新闻。

  真是这项研究是用统计学的临床语言撰写的,但它为那先 平台上的信息的准确性提供了有系统的。作者发现,虚假的故事比真实的故事更容易。虚假故事的速率平均比线倍。在各个领域,虚假新闻(包括商业,和战争,科技和娱乐)的表现都超过了事实。

  Twitter用户似乎更喜欢分享虚假信息。即使研究人员控制了发布的账户,这类该账户与否拥有更多的关注者或所发布的消息与否被是虚假的,那先 账户发布的信息就算不准确,仍然有70%的机会会被转发。

  你这类 疑问不到责怪机器。研究发现,从306年到2016年,Twitter的机器人放大了真实的故事,也放大了虚假的故事。作者写道,虚假新闻不言而喻发展没办法 之快,“机会人的因素,而全部都是机器。”

  学家和社交研究人员对这项研究表示了赞许,称其对于社交网络上虚假新闻疑问给出了最全面和最严格的研究,尽管这类人对调查结果所处争议,并质疑研究中对于新闻的定义。

  “这是项研究非常有趣和令人印象深刻,说明了不真实的信息如可得比真实的信息减慢,影响更广,但会 其中的例子非常恰当,前后信息一致,极具力。”Rasmus Kleis Nielsen教授在一封电子邮件中写道。

  “我认为这常重要的研究,”达特茅斯学院教授布伦丹·尼汉不知道。 “当让当我们当我们 都还能不能 更多这类的优秀研究。”

  “简而言之,我认为没办法 理由怀疑这项研究的结果,”荷兰莱顿大学些教授利贝卡·特罗布尔在一封电子邮件中说。

  过去,研究人员机会研究了在网上虚假信息的疑问。当让当我们当我们 老会 关注奇异事件的,比如2012年发现希格斯玻色子事先的猜测机会2010年海地地震事先的传闻。

  这篇新论文的研究范围更广,涉及了整个Twitter上的虚假新闻:从306年9月到2016年12月,twitter上的每根小有争议的新闻。但为此,Vosoughi及其同事都还能不能 回答有5个多更加初级的疑问:是那先 ?当让当我们当我们 如可知道?

  “虚假新闻机会成为白热化的文化话题,但触发你这类 话题的是五年前在所处的事件,”麻省理工学院科学家Deb Roy说,新研究的作者之一。

  2013年4月15日,两枚在马拉松赛道周边爆炸,造成三人死亡,数百人受伤。该爆炸瞬间引起当让当我们当我们 的关注,有关爆炸事件的理论所处了Twitter和这类社交平台。 4月19日,州州州长要求数百万人留在家中,机会警方进行了大规模的行动。

  罗伊不知道“我和我的妻子和孩子在贝尔蒙特的房子里呆了三天 ,Soroush被困在剑桥。”当被委托人被困在房子里,Twitter成为当让当我们当我们 通往外部世界的唯一通道。是我不好:“当让当我们当我们 听到了什么都不真实的事情,但会 什么都当让当我们当我们 听到的事情最终变成真的了。”

  减慢现在现在开始 了。但会 当这有5个多人在校园里团聚时,当让当我们当我们 一致认为对于Vosoughi来说- 有5个多博士生专注于社交似乎很愚蠢,甚至还研究当让当我们当我们 事先经历过的事情。

  他创建了有5个多真理机器:一种生活算法,都还能不能 对小量的推文进行排序,并从中提取出最准确的事实。你这类 机器关注推文的有5个多属性:作者的属性(当让当我们当我们 与否通过验证?),推文的语言种类(与否比较复杂?)以及推文如可通过网络。

  “Soroush开发的模型都都还能不能很好地预测信息的准确性。”Roy说,他在2015年获得博士学位。

  事先,这有5个多人和麻省理工学院管理学教授思南·阿拉尔并肩研究整个Twitter上的虚假信息如可。当让当我们当我们 不仅现在现在开始 探讨“那先 是”的疑问,但会 还有更加不可分离的:计算机如可知道是那先 ?的疑问。

  当让当我们当我们 成为了网上事实的最终仲裁者:第三方事实核查网站。通过监测和分析5个不同的事实核查网站(包括Snopes,Politict和,当让当我们当我们 列出了306年至2016年间在Twitter上的数以万计的在线传闻。但会 ,当让当我们当我们 使用Gnip社交网络专有的搜索引擎在Twitter上搜索那先 传言。

  最终,当让当我们当我们 发现了合适12.8万条推文,那先 推文加进并肩被转发超过48万次。这类推文链接了这类网站发布的“虚假”故事。这类人被委托人,无论是在推文中还是在附带的图片中都还能不能 看出。 (该团队使用了有5个多特殊的守护进程,都还能不能 搜索静态推特图片中的单词。)全部都是这类推文里的信息或链接是真实的。

  是我不好,Vosoughi在本周从麻省理工学院讲话时给了我有5个多例子:推特都还能不能 通过什么都法子 实现10,000次转发,是我不好。机会名人拥有几百万关注者,当当让当我们当我们 发送Tweet A时,就机会有10,000人在当让当我们当我们 发布的事先都看A,并决定转发这条推文。 此时,推文A被广泛转发,创造了有5个多大而浅的模式。

  与此并肩,没办法 什么都关注者的账户发送推文B给当让当我们当我们 的20个关注者,机会其含晒 5个多人都看它,并转发它,但会 当让当我们当我们 的关注者之一都看它并转发它,曾经 会老会 持续下去,最后成千上万的人全部都是都看Tweet B并转发它。

  推文A和B都具有相同大小规模的观众,但会 Tweet B地更加有“深层”用Vosoughi的术语来讲。它将转发链接在并肩,以一种生活从有过的法子 虚假信息。 “你这类 法子 都还能不能 使转发次数达到1,000次,但会 整个运作模式也非常不同,”是我不好。

  这是事实:根据这有5个多指标,虚假新闻占主导地位。它始终会吸引更多的观众,但会 它比真实新闻更深入社交网络。作者发现,准确的新闻无法实现10多次转发。虚假新闻都还能不能 实现一次19次转发量,但会 转发速率也是准确新闻的10倍。

  即使经过人类审核而全部都是机器人,那先 结果也非常有效。与主要调查不同的是,一组本科生并肩对随机挑选的约13,000个英语推文进行了实际检查。根据研究,当让当我们当我们 发现虚假信息以与主要数据集“几乎相同”的法子 战胜了真实信息。

  首先,虚假新闻似乎比真实新闻更“新奇”。研究小组发现,虚假新闻通常与用户转发前30天内账户上再次冒出的所有推文明显不同。

  其次,虚假消息比一般的推文更能读者爱情的句子。研究人员创建了有5个多单词数据库,Twitter用户用那先 单词回复126,000个有争议的推文。但会 使用最先进的爱情的句子分析工具对其进行分析。当让当我们当我们 发现,虚假推文倾向于使用让读者感到惊喜或厌恶的词语,而准确的推文则倾向于使用让读者感到悲伤的词汇。

  在使用一种生活不同的机器人检测算法对8万Twitter用户的样本检测后,当让当我们当我们 发现自动机器人的确在虚假新闻, 但当让当我们当我们 转发虚假信息和准确信息的速率相同。

  乔治大学些家Dave Karpf在一封电子邮件中说, “(1)整个10年的数据集,机器人不喜欢错误信息。(2)在最近的这类案例中,僵尸网络已被策略性地部署来虚假信息“。

  是我不好,“我的猜测是,这篇文章将不知道们”科学证明,机器人不必重要!“,但本文真是表明,机会当让当我们当我们 关注Twitter的整个生命周期,机器人最近机会升级,机会这类人机会投入资源,部署机器人。这篇论文并没办法 驳斥你这类 假设。“

  这类科学家也对该研究中“新闻”的定义提出质疑。转向事实核查网站,该研究模糊了各种虚假信息的定义:的谎言,城市传说,恶作剧,恶搞,谎言和“虚假新闻”。“网站不仅仅单独看虚假新闻,也关注看起来像新闻内容的文章或视频,这是有5个多新闻过程,但实际上是人为编创发明者来的。

  但会 ,这项研究机会会低估“无争议的新闻”:广为人知的准确新闻。该研究也忽略了内容和新闻。大学教授尼尔森在一封电子邮件中表示,“当让当我们当我们 所有的受众研究都表明,绝大多数用户认为新闻和内容截然不同。” “说包括在内的不真实内容在Twitter上的速率比真实的报道要快,与说虚假新闻和真实新闻的速率不同从概念上来讲是不一样的。”

  学家特罗布尔在一封电子邮件中表示:“那先 都都还能不能激发强烈爱情的句子的内容在Twitter上地减慢,更深入,更广泛。你这类 发现与这类不同领域的研究结果一致,包括心理学和学研究,也相对直观。“

  达特默斯教授Nyhan说,“网络上的虚假信息往往真的很新颖,老会 是消极的”。 “那先 信息通常具有有5个多行态,非常吸引当让当我们当我们 的注意力,但会 当让当我们当我们 希望与被委托人分享那先 信息 - 当让当我们当我们 专注于新的,很重是负面的消息。”

  “当你不受现实时,创建两者都非常容易。什么都当让当我们当我们 都还能不能 利用人类心理学和网络达到被委托人的目的”,他补充说。

  他称赞Twitter将其数据提供给研究人员的行为,并呼吁Facebook等这类主要平台也曾经 做。 “在研究方面,平台是基础。当让当我们当我们 有什么都东西都还能不能 学习,但会 机会没办法 平台伙伴关系和公司合作 法子 ,当让当我们当我们 就会感到束手束脚,“是我不好。

  “那先 公司在人民行使方面有很大的影响力。这是因为那先 平台都还能不能 面对小量的审查,增加透明度。“是我不好。 “当让当我们当我们 都还能不能 整天学习Twitter,但不到合适12%的美国人在使用它。这对记者和学者来说很重要,但Twitter并全部都是大多数人获得新闻的渠道。“

  Twitter在一份声明中表示,希望能与外部专家扩大公司合作 法子 。该公司的CEO杰克·多尔西仔在一系列推文中说,公司希望“提高对话的健康度,度和文明度,公司也应该公开承担更多责任。”

  但学教授Tromble表示,你这类 发现也机会适用于Facebook。 “今年早些事先,Facebook宣告将重组新闻Feed以支持”有意义的互动“。

  她补充说,“很明显,当让当我们当我们 会根据评论数量和帖子的回复意见来衡量有意义的互动。但会 ,正如本研究所表明的那样,不到进一步创建充满虚假信息和这类内容的帖子,都还能不能引发强烈的情绪反应“。

  研究人员之一的阿拉尔说,“先把我保守科学家的身份倒进一边,对于这如可适用于这类社交网络的说法,我不太舒服。当让当我们当我们 在这里只研究了Twitter,但我的直觉是,那先 调查结果普遍适用于社交平台。Facebook的数据也适用于你这类 研究。“

  然而那先 并全部都是研究中最令人郁闷的发现。当当让当我们当我们 现在现在开始 研究时,麻省理工学院的团队预计,分享最多假消息的用户基本上是旁观者。当让当我们当我们 认为被委托人会找到一群于使用Twitter含晒 或耸人听闻的消息的群体,那先 人全部都是被委托人的的粉丝和者。

  事实上,团队发现情况表正好相反。分享准确信息的用户拥有更多的关注者,而全部都是虚假新闻分享者。那先 用户使用Twitter的时间也更长,也更有机会通过验证。总之,最值得信赖的用户有什么都优点,会被Twitter授予最佳用户。

  换句话说,有有5个多起点,但不挑选最终都还能不能 赢得比赛。作者写道:“尽管那先 差异所处[账户之间],但虚假信息比的减慢全部都是机会那先 差异。”

  你这类 发现会让每个希望从社交上获得准确信息的用户感到失望。它表明,不管当让当我们当我们 多么巧妙地使用Twitter,无论当让当我们当我们 多么精心地书写反馈或追踪可靠的消息来源,当让当我们当我们 仍然会在瞬间被虚假信息。

  合适对我来说是没办法 。我自307年现在现在开始 成为Twitter用户,从新闻行业起步。在平台上,每个用户都还能不能 是读者,作家和出版商,但会 虚假信息大获全胜,新奇的消息非常诱人,恶意的挑逗也难以超越。

  干预法子 目前尚不清楚,机会有句子,希望都还能不能 扭转你这类 趋势。 “当让当我们当我们 不知道那先 是有效的法子 ,那先 全部都是,”阿拉尔不知道。几乎没办法 表明当当让当我们当我们 发现事实审核站点了被委托人的有5个多想法事先,当让当我们当我们 会改变被委托人的意见。这类,在社交网络或搜索引擎上标记虚假新闻也没办法 多大作用。

  总之,社交似乎在的情况表下系统地夸大了虚假信息。目前没办法 人 - 无论是专家,家还是科技公司 - 知道如可扭转你这类 趋势。