Numrush

AI herkent nepnieuws door accuraatheid van de bron te peilen

In de strijd tegen nepnieuws wordt er vooral per verhaal gekeken of het echt is, of nep. Belangrijk werk, maar het neemt veel tijd in beslag. Onderzoekers van MIT’s CSAIL en het Computing Research Institute willen dat proces versnellen. Zij hebben een machine learning-algoritme gemaakt dat bekijkt of de bron accuraat is om nepnieuws te herkennen. Dat meldt Engadget.

Het algoritme gebruikt collecties van bestaande artikelen om de accuraatheid en vooroordelen van een medium te peilen. Daarbij wordt ervan uitgegaan dat makers van nepnieuws altijd al nepnieuws maakten en dat niet gaat veranderen.

Taal

Het team gebruikte een analyse van Media Bias/Fact Check van ruim 2.000 media om het algoritme te trainen. Het algoritme moet namelijk zoeken naar duidelijke signalen in de gebruikte taal die wijzen op nepnieuws en grotendeels onwaar nieuws. Die organisaties zouden namelijk veel gebruikmaken van hyperbolische, door emotie gedreven taal. Denk bijvoorbeeld aan woorden als “demonisch”.

Een website die vooral links is, zou meer praten over “eerlijkheid” en “wederkerigheid”, terwijl rechtse sites mogelijk spreken over “autoriteit” en “heiligheid”. De machine learning zou zelfs koppelingen kunnen maken tussen de authentiekheid van de website en zijn Wikipedia-pagina, of zijn URL. Langere Wikipedia-pagina’s zouden betrouwbaarder zijn, ingewikkelde URL’s zouden vaker nepnieuws bevatten.

Nog in ontwikkeling

De AI is echter nog niet klaar voor gebruik. Op dit moment detecteert het met een accuraatheid van 65 procent als het om nepnieuws gaat, en 70 procent als het om vooroordelen gaat. Daarnaast heeft het 150 artikelen nodig om een betrouwbare beslissing te maken. Daarmee kunnen websites die al langer bestaan wel beoordeeld worden, maar nieuwe dus niet.

Toch is het wel een interessant idee. Sociale netwerken zouden het systeem in kunnen zetten om nepnieuws minder te tonen of zelfs te blokkeren. Menselijke beoordelingen zouden alleen nog ingezet te hoeven worden als het oordeel niet geheel duidelijk is.