Autor:  (1) Yigit Ege Bayiz, Engenharia Elétrica e de Computação da Universidade do Texas em Austin Austin, Texas, EUA (E-mail: egebayiz@utexas.edu);  (2) Ufuk Topcu, Engenharia Aeroespacial e Engenharia Mecânica da Universidade do Texas em Austin Austin, Texas, EUA (E-mail: utopcu@utexas.edu).  Tabela de links   Resumo e Introdução   Trabalhos relacionados   Preliminares   Problema de pré-bunking ideal   Políticas de base determinísticas   Pré-bunking temporalmente equidistante   Resultados numéricos   Conclusão e Referências  II. TRABALHOS RELACIONADOS   A. Combater a desinformação  Classificamos os métodos de combate à desinformação em quatro categorias: censura, desmascaramento, prebunking e identificação. Todas as três primeiras categorias tentam reduzir o impacto da desinformação. Censura refere-se a qualquer método que visa conter a propagação de desinformação, tentando controlar a propagação de informações na rede [7], [8]. A censura é comum nas plataformas de redes sociais, mas levanta questões significativas relacionadas com a liberdade de expressão.  Desmascarar refere-se à correção da desinformação, fornecendo aos usuários informações corretas depois que a desinformação já se espalhou, enquanto pré-bunking refere-se à emissão de informações corretas antes que a desinformação se propague. Um exemplo automatizado de desmascaramento são os numerosos métodos automatizados de verificação de fatos que visam desmascarar conteúdo de texto desinformativo [9], [10]. A compreensão atual da psicologia social indica que o pré-bunking é superior ao desmascaramento em termos de sua eficácia no combate à desinformação [4], [6], [11]. Neste artigo, contribuímos para a automação do pré-bunking através do desenvolvimento de algoritmos para otimizar automaticamente os tempos de entrega dos pré-bunkings aos usuários em uma plataforma de rede social.  Identificação refere-se a qualquer método que visa detectar conteúdo desinformativo dentro de uma rede social. Esses modelos geralmente utilizam modelos de processamento de linguagem natural [12], [13]. Del Vicário et al. [14] mostrou que as características de propagação da desinformação admitem detecção sem depender de classificação de conteúdo. Mais recentemente, Shaar et al. [15] apresentam um método para identificar alegações já verificadas. Neste artigo, não usamos diretamente a detecção de informações incorretas. No entanto, assumimos que já conhecemos o conteúdo da desinformação, pelo que a detecção precisa da desinformação continua a ser um pré-requisito para os métodos que apresentamos.   B. Modelos de propagação de boatos  Determinar os horários ideais para entregas pré-compartilhadas requer estimativas precisas de quando a desinformação chegará ao usuário de interesse. Esta estimativa requer um modelo de propagação de boatos. Neste artigo, contamos fortemente com modelos epidêmicos [16], também conhecidos como modelos compartimentais, para modelar a propagação de desinformação. Como o nome sugere, esses modelos são baseados na epidemiologia e modelam a propagação de rumores dividindo os usuários em diferentes categorias, como suscetíveis ou infectados, e depois definem regras pelas quais essas partições interagem ao longo do tempo. Existe uma ampla gama de modelos epidêmicos que são usados na modelagem de desinformação [17]. A maioria deles são os modelos SI [18], SIR [19], [20], SIS [21], [22]. Os modelos SI (suscetíveis infectados) são fáceis de modelar e muitas vezes são os únicos modelos que permitem análise com modelos gráficos arbitrários. SIR (suscetível-infectado-recuperado) e SIS (suscetível-infectado-suscetível) refinam o modelo SI, tornando-os mais precisos sem introduzir complexidade computacional significativa nas simulações. Apesar desses refinamentos, a propagação SI ainda é utilizada devido à sua simplicidade e por ter um comportamento comparável aos modelos SIS e SIR para a fase inicial da propagação da desinformação, que é a fase mais crítica para combater a desinformação. Ao longo deste artigo, usamos um modelo SI para estimar a propagação de desinformação.  Este artigo está   sob licença CC 4.0. disponível no 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 áudio é produzido no idioma original da história!

Muito longo; Para ler

Boost your HackerNoon story @ $159.99! 🚀

Métodos eficazes para combater notícias falsas: censura, desmascaramento e pré-desmascaramento

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Telegram: a ponte da Crypto Island para o continente

Aumente sua produtividade com estas 18 ferramentas para desenvolvedores 🚀🔥

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Telegram: a ponte da Crypto Island para o continente

Aumente sua produtividade com estas 18 ferramentas para desenvolvedores 🚀🔥

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps