Autor:  (1) Yigit Ege Bayiz, Ingeniería Eléctrica e Informática de la Universidad de Texas en Austin Austin, Texas, EE. UU. (Correo electrónico: egebayiz@utexas.edu);  (2) Ufuk Topcu, Ingeniería Aeroespacial e Ingeniería Mecánica de la Universidad de Texas en Austin Austin, Texas, EE. UU. (Correo electrónico: utopcu@utexas.edu).  Tabla de enlaces   Resumen e introducción   Obras relacionadas   Preliminares   Problema de pre-bunking óptimo   Políticas de referencia deterministas   Prebunking temporalmente equidistante   Los resultados numéricos   Conclusión y referencias  II. OBRAS RELACIONADAS   A. Contrarrestar la desinformación  Clasificamos los métodos para contrarrestar la desinformación en cuatro categorías: censura, desacreditación, desacreditación e identificación. Las tres primeras categorías intentan reducir el impacto de la información errónea. La censura se refiere a cualquier método que tenga como objetivo frenar la difusión de información errónea intentando controlar la propagación de la información en la red [7], [8]. La censura es común en las plataformas de redes sociales, pero plantea importantes cuestiones relacionadas con la libertad de expresión.  Desmentir se refiere a corregir la información errónea proporcionando a los usuarios información correcta después de que la información errónea ya se haya difundido, mientras que predesmentir se refiere a emitir información correcta antes de que se propague la información errónea. Un ejemplo automatizado de desacreditación son los numerosos métodos automatizados de verificación de hechos que tienen como objetivo desacreditar el contenido de texto desinformativo [9], [10]. La comprensión actual de la psicología social indica que la desacreditación previa es superior a la desacreditación en términos de su eficacia para contrarrestar la información errónea [4], [6], [11]. En este artículo, contribuimos a la automatización del prebunk mediante el desarrollo de algoritmos para optimizar automáticamente los tiempos de entrega de prebunk a los usuarios en una plataforma de redes sociales.  La identificación se refiere a cualquier método que tenga como objetivo detectar contenido desinformativo dentro de una red social. Estos modelos suelen utilizar modelos de procesamiento del lenguaje natural [12], [13]. Del Vicario et al. [14] ha demostrado que las características de propagación de la información errónea admiten su detección sin depender de la clasificación del contenido. Más recientemente, Shaar et al. [15] introducen un método con el que identificar afirmaciones ya verificadas. En este artículo no utilizamos la detección de información errónea directamente. Sin embargo, asumimos que ya conocemos el contenido de la información errónea, por lo que la detección precisa de la información errónea sigue siendo un requisito previo para los métodos que presentamos.   B. Modelos de propagación de rumores  Determinar los tiempos óptimos para las entregas previas al bunkering requiere estimaciones precisas de cuándo llegará la información errónea al usuario de interés. Esta estimación requiere un modelo de propagación de rumores. En este artículo, nos basamos en gran medida en modelos epidémicos [16], también conocidos como modelos compartimentales, para modelar la propagación de información errónea. Como sugiere su nombre, estos modelos se basan en la epidemiología y modelan la propagación de rumores dividiendo a los usuarios en diferentes categorías, como susceptibles o infectados, y luego definen reglas mediante las cuales estas particiones interactúan a lo largo del tiempo. Existe una amplia gama de modelos epidémicos que se utilizan en la modelización de información errónea [17]. La mayoría de ellos son los modelos SI [18], SIR [19], [20], SIS [21], [22]. Los modelos SI (susceptibles-infectados) son fáciles de modelar y, a menudo, son los únicos modelos que permiten el análisis con modelos gráficos arbitrarios. SIR (susceptible-infectado-recuperado) y SIS (susceptible-infectado-susceptible) refinan el modelo SI, haciéndolo más preciso sin introducir una complejidad computacional significativa en las simulaciones. A pesar de estos refinamientos, la propagación SI todavía encuentra uso debido a su simplicidad y a que tiene un comportamiento comparable a los modelos SIS y SIR para la fase inicial de propagación de información errónea, que es la fase más crítica para contrarrestar la información errónea. A lo largo de este artículo, utilizamos un modelo SI para estimar la propagación de información errónea.  Este documento está   bajo licencia CC 4.0. disponible en arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Crafting compelling perspectives in media, sparking thought-provoking discussions on diverse opinions and viewpoints.

Editorialist's blog

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

Boost your HackerNoon story @ $159.99! 🚀

Métodos eficaces para combatir las noticias falsas: censura, desacreditación y desacreditación

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps