La vérification des fake news est sur le point de devenir plus facile

Des chercheurs israéliens utilisent l’apprentissage automatique pour aider les vérificateurs de faits humains à identifier les sources de fausses nouvelles en ligne.

L’équipe, basée à l’Université Ben Gourion du Néguev , a constaté que les vérificateurs de faits étaient débordés – en particulier à des moments clés, comme une élection présidentielle américaine – par la prolifération de fausses nouvelles.

Leur solution a été de prendre du recul et d’avoir une vue d’ensemble, à savoir qui voit quel contenu et comment il se propage sur les réseaux sociaux.

Ils ont examiné les « réseaux d’exposition » – la manière dont les réseaux d’utilisateurs sont exposés à la désinformation, même s’ils ne la partagent pas ou n’y interagissent pas activement.

Cela leur a donné une bien meilleure idée de la manière dont les fausses nouvelles se propagent sur les réseaux sociaux.

« Nous savons peu de choses sur la capacité des vérificateurs de faits à identifier les contenus les plus importants à vérifier », a déclaré Nir Grinberg. Il a dirigé le projet de recherche conjointement avec le professeur Rami Puzis du département d'ingénierie des logiciels et des systèmes d'information de l'université Ben-Gurion.

« Cela nous a incité à développer une approche d’apprentissage automatique qui peut aider les vérificateurs de faits à mieux orienter leur attention et à augmenter leur productivité. »

En exploitant les réseaux d’exposition, le modèle d’apprentissage automatique peut guider les vérificateurs de faits pour concentrer leurs efforts sur les sources les plus probables de désinformation, améliorer leur efficacité dans la détection des fausses nouvelles et les aider à s’adapter plus rapidement aux nouvelles tactiques utilisées par les créateurs de fausses nouvelles.

Et le modèle peut accomplir tout cela avec précision, pour moins d’un quart du coût d’une vérification humaine standard des faits.

« Le problème aujourd’hui avec la prolifération des fausses nouvelles, c’est que les vérificateurs de faits sont débordés », explique Grinberg. « Ils ne peuvent pas tout vérifier, mais l’étendue de leur couverture au milieu d’une mer de contenus sur les réseaux sociaux et de signalements d’utilisateurs n’est pas claire. »

L'équipe démontre, dans un article intitulé « Leveraging Exposure Networks for Detecting Fake News Sources », comment cette technologie peut reconnaître des signes révélateurs de sources de fausses nouvelles, tels que des modèles inhabituels dans la façon dont elles se propagent, des données démographiques spécifiques du public et certaines caractéristiques du contenu.

Sur la base de ces modèles, le système peut ensuite signaler des sources potentielles de fausses informations pour une enquête plus approfondie.

Tenir à jour des listes de sites de fausses informations, qui peuvent apparaître et disparaître très rapidement, est une tâche coûteuse et laborieuse. Le modèle d'apprentissage automatique prend en compte l'appétit du public pour les fausses informations, qui tend à s'accroître au fil du temps.

Selon Nir Grinberg, le système nécessitera davantage de formation dans le monde réel et ne devrait jamais remplacer les humains, mais plutôt « étendre considérablement la couverture des vérificateurs de faits d'aujourd'hui ».

L’approche d’apprentissage automatique peut réduire considérablement la charge de travail des vérificateurs de faits et produire des résultats fiables au fil du temps, dit-il.

Le document a été présenté en août lors de la conférence KDD de Barcelone sur la connaissance, la découverte et l'exploration de données.

https://www.israel21c.org/fact-checking-suspected-fake-news-is-about-to-get-easier