Network Information Enhances Unreliable News Domain Detection
Diese Arbeit zeigt, dass die Nutzung der aus URL-Sharing-Mustern abgeleiteten Netzwerkstruktur mittels Graph Neural Networks die Erkennung unzuverlässiger Nachrichtendomänen signifikant verbessert und dabei Content-only-Baselines übertrifft, selbst wenn eine Inhaltsanalyse nicht durchführbar ist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet wie einen riesigen, chaotischen Marktplatz vor, auf dem alle gleichzeitig Neuigkeiten, Gerüchte und Geschichten schreien. In diesem Marktplatz ist der „Inhalt“ einer Nachricht das, was sie tatsächlich sagen – die Worte, die Bilder, das Video. Aber es gibt noch eine andere Ebene der Geschichte: Wer neben wem steht und wer wem zuhört. Dies ist das „Netzwerk“. Lange Zeit versuchten Experten, Fake News zu entlarven, indem sie nur die Worte lasen, wie ein Lehrer, der einen Aufsatz bewertet. Doch in letzter Zeit sind die „bösen Akteure“ auf dem Marktplatz sehr gut darin geworden, wie die Guten zu klingen. Sie benutzen schicke Worte und sehen aus wie echte Journalisten, und mit dem Aufkommen von superintelligenter KI können sie sogar perfekte Fake-Geschichten schreiben, die schwer zu entlarven sind. Deshalb stellen Wissenschaftler eine neue Frage: Anstatt nur die Rede zu lesen, können wir feststellen, wer vertrauenswürdig ist, indem wir uns seine Freunde ansehen? Wenn eine Person immer mit einer Gruppe bekannter Lügner abhängt, sollten wir sie vielleicht auch misstrauisch betrachten, selbst wenn ihre aktuelle Rede perfekt klingt. Dies ist das Herzstück der Netzwerkwissenschaft: Die Idee, dass Ihre Verbindungen viel darüber aussagen, wer Sie sind.
Dieses Papier ist wie eine Detektivgeschichte, die in einer ganz bestimmten, sehr überfüllten Ecke dieses Marktplatzes spielt, die man Telegram nennt. Die Forscher, ein Team von Universitäten aus Deutschland, Österreich und Italien, wollten sehen, ob sie den „Freundschaftsplan“ von Nachrichten-Websites nutzen könnten, um unzuverlässige Quellen aufzuspüren. Sie betrachteten nicht nur die Artikel; sie betrachteten, wie Menschen sie teilten. Sie erstellte eine riesige Karte, in der jede Nachrichten-Website ein Punkt ist, und eine Linie verbindet zwei Punkte, wenn Menschen oft Links von beiden Websites in denselben Chatgruppen teilen.
Hier ist die große Überraschachtung, die sie fanden: Die Punkte sind nicht zufällig vermischt. Die „unzuverlässigen“ Websites (diejenigen, die Fake News oder minderwertige Nachrichten verbreiten) halten sich eher mit anderen unzuverlässigen Websites auf. Die „zuverlässigen“ (die seriösen Nachrichtenquellen) bleiben in ihrem eigenen Cluster zusammen. Es ist wie in einer Highschool-Kantine, in der der Chemieclub an einem Tisch sitzt und die Streicheleute an einem anderen; sie mischen sich normalerweise nicht. Die Forscher nannten dies „assortative Mischung“, aber Sie können es einfach als „Gleich und Gleich gesellt sich gern“ betrachten.
Um zu testen, ob diese Karte helfen konnte, verwendeten sie eine spezielle Art von Computergehirn, ein Graph Neural Network (GNN). Stellen Sie sich ein GNN als einen Detektiv vor, der nicht nur das Alibi eines Verdächtigen liest (den Text des Artikels), sondern auch dessen sozialen Kreis (das Netzwerk) überprüft. Sie verglichen diesen Detektiven mit einem einfacheren (einem Standard-Computermodell), der nur das Alibi las und die Freunde ignorierte. Die Ergebnisse waren eindeutig: Der Detektiv, der das Netzwerk betrachtete, war viel besser darin, die Fälschungen zu entlarven.
Noch interessanter war, dass der Netzwerk-Detektiv auch dann gut funktionierte, wenn sie die Artikel überhaupt nicht lesen konnten. Manchmal kann man den Text nicht sehen (vielleicht ist er in einer Sprache, die man nicht spricht, oder der Inhalt ist verborgen), aber man kann trotzdem sehen, wer was mit wem teilt. In diesen Fällen schnitt das netzwerkbasierte Modell immer noch besser ab als das textbasierte Modell. Als sie sowohl den Text als auch das Netzwerkdiagramm hatten, erreichte das beste Modell (genannt GraphSAGE) die richtige Antwort in 63 % der Fälle, was ein großer Sprung gegenüber der Genauigkeit von 55 % des Modells war, das das Netzwerk ignorierte. Selbst ohne den Text, nur durch die Teilmuster, schnitt das Netzwerkmodell immer noch besser ab als das textbasierte Modell.
Die Autoren sind vorsichtig zu betonen, dass dies kein Zaubermittel ist, das Fake News für immer löst. Sie geben zu, dass ihre Karte spezifisch für Telegram ist und dass nicht jeder einzelne Artikel von einer „schlechten“ Website fake ist, genau wie nicht jeder Mensch am Streichertisch auch ein Streichexistent ist. Sie zeigen jedoch entschieden, dass der Blick auf die Netzwerkstruktur ein kraftvolles neues Werkzeug im Kampf gegen Desinformation bietet. Es deutet darauf hin, dass selbst wenn die Worte perfekt sind, die Gesellschaft, die eine Nachrichtenquelle pflegt, uns einen starken Hinweis darauf geben kann, ob wir ihnen vertrauen sollten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.