💻 computer science

CRED-1: An Open Multi-Signal Domain Credibility Dataset for Automated Pre-Bunking of Online Misinformation

Este artículo presenta CRED-1, un conjunto de datos abierto y reproducible que combina fuentes de licencias abiertas con cuatro señales enriquecidas para evaluar la credibilidad de dominios web y facilitar la desinformación preventiva en el lado del cliente mediante extensiones de navegador.

Autores originales: Alexander Loth, Martin Kappes, Marc-Oliver Pahl

Publicado 2026-04-24

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Alexander Loth, Martin Kappes, Marc-Oliver Pahl

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que navegar por internet es como caminar por un gran mercado al aire libre. Hay miles de puestos vendiendo información: algunos venden frutas frescas y reales (noticias veraces), otros venden manzanas podridas disfrazadas de frutas (mentiras), y algunos incluso venden juguetes que parecen comida pero son solo bromas (sátira).

El problema es que, a veces, los puestos de "frutas podridas" se disfrazan muy bien y te pueden engañar.

Este artículo presenta CRED-1, que es como un "mapa de seguridad" o una "lista negra" gratuita para ese mercado. Aquí te explico cómo funciona y por qué es importante, usando analogías sencillas:

1. ¿Qué es CRED-1?

Es una lista de direcciones web (dominios) que ya sabemos que no son de confianza. Pero no es solo una lista de nombres; es como si a cada puesto del mercado le hubieran puesto una etiqueta de calificación del 0 al 10:

0.0: "¡Cuidado! Esto es una estafa total o una mentira fabricada." (Fake)
0.5: "Esto es una mezcla: a veces dicen la verdad, pero a menudo tienen sesgos o mienten." (Mixed)
1.0: "Esto es confiable." (Aunque la lista se centra en los que no son confiables).

2. ¿Cómo crearon este mapa? (La "Receta" Secreta)

Los autores no inventaron las calificaciones de la nada. Imagina que son detectives que juntaron dos pistas principales y luego las cruzaron con cuatro herramientas de investigación:

Las Fuentes Principales (Los Testigos): Tomaron dos listas ya existentes y abiertas al público (OpenSources.co e Iffy.news) que ya habían marcado a muchos sitios problemáticos.
Las 4 Herramientas de Investigación (Los Enrichment Signals):
1. La Edad del Sitio (¿Cuánto tiempo lleva aquí?): Como un vendedor que lleva 20 años en el mercado. A veces, los sitios de desinformación son viejos y confiables, lo cual es una sorpresa (no todos son sitios nuevos creados ayer).
2. La Popularidad (¿Cuánta gente va allí?): Usaron una lista de los sitios más visitados del mundo. Si un sitio de noticias es muy famoso pero está en la lista negra, ¡es una señal de alerta!
3. El Historial de Fact-checking (¿Alguien lo ha pillado mintiendo?): Revisaron cuántas veces los verificadores de hechos han dicho "¡Eso es falso!" sobre ese sitio.
4. La Seguridad Técnica (¿Tiene virus?): Revisaron si el sitio tiene malware. Resulta que la mayoría de los sitios de noticias falsas no tienen virus, solo mienten. ¡Es una trampa diferente!

3. ¿Para qué sirve este mapa? (El "Filtro Mágico")

Aquí viene la parte más interesante. Este mapa está diseñado para funcionar dentro de tu propio teléfono o navegador, sin necesidad de enviar tus datos a un servidor gigante.

La Analogía del "Pre-bunking" (Pre-enganche): Imagina que tienes un guardaespaldas digital en tu navegador. Antes de que tú hagas clic en un enlace para leer una noticia, el guardaespaldas mira el mapa CRED-1.
- Si el sitio está en la lista negra, el guardaespaldas te dice: "Oye, este puesto vende fruta podrida. ¿Seguro que quieres entrar?".
- Esto ocurre antes de que leas la mentira, protegiendo tu mente de ser engañada.

4. ¿Por qué es especial?

Es Gratis y Transparente: A diferencia de otras listas que cuestan dinero o son secretas (como las de algunas empresas privadas), esta es como una receta de cocina abierta: cualquiera puede ver cómo se hizo, copiarla y mejorarla.
Es Ligero: El archivo es tan pequeño (como una foto de alta calidad) que cabe en cualquier teléfono móvil. No necesita internet para funcionar una vez que lo tienes descargado.
No es perfecto, pero es honesto: Los autores admiten que la lista está llena de sitios en inglés y que las mentiras cambian con el tiempo, pero es un punto de partida sólido y honesto.

En resumen

CRED-1 es como un manual de supervivencia gratuito para el mercado de internet. Nos ayuda a identificar rápidamente qué puestos venden mentiras, basándose en datos públicos y transparentes, para que podamos evitar caer en trampas antes de que nos engañen. Es una herramienta para que tú, como usuario, tengas el control y no dependas de que alguien más decida qué es verdad o no.

Resumen Técnico: CRED-1, un Dataset Abierto de Credibilidad de Dominios

1. Planteamiento del Problema

La proliferación de desinformación y noticias falsas en línea representa un desafío crítico para la integridad de la información. Las soluciones actuales a menudo dependen de bases de datos propietarias (como NewsGuard) o requieren intervención humana, lo que limita su escalabilidad, transparencia y privacidad. Además, existe una necesidad urgente de herramientas que permitan el "pre-bunking" (prevención antes del consumo) en el punto de entrega del contenido, específicamente en navegadores y dispositivos móviles, sin depender de servidores externos que comprometan la privacidad del usuario.

2. Metodología

El artículo presenta CRED-1, un pipeline automatizado y reproducible diseñado para generar un dataset de credibilidad a nivel de dominio. La metodología se divide en dos fases principales, implementadas exclusivamente en Python utilizando módulos de la biblioteca estándar:

Fase 1: Adquisición y Fusión de Datos
- Se agregan etiquetas de dos fuentes de código abierto con licencias permisivas:
  1. OpenSources.co: Una lista curada de 825 dominios clasificados por tipo (falsos, sesgados, conspiraciones, sátira, etc.).
  2. Índice Iffy.news: 2,040 dominios calificados con bajo o muy bajo nivel de reportaje factual por Media Bias/Fact Check (MBFC).
- Se realiza una normalización de los dominios (minúsculas, eliminación de prefijos "www", etc.) y deduplicación.
- Regla de conflicto: Si un dominio aparece en ambas fuentes con etiquetas contradictorias, se asigna la categoría de menor credibilidad (principio de precaución). El resultado final son 2,672 dominios únicos.
Fase 2: Enriquecimiento de Señales
Cada dominio se enriquece con cuatro señales computadas independientemente mediante APIs públicas:
1. Edad del dominio: Obtenida vía protocolo RDAP (WHOIS).
2. Popularidad web: Basada en la lista Tranco Top-1M (resistente a manipulaciones).
3. Frecuencia de verificación de hechos: Número de reclamos indexados por la API de Google Fact Check Tools.
4. Inteligencia de amenazas: Estado de bloqueo por malware o ingeniería social mediante la API de Google Safe Browsing.
Modelo de Puntuación
Se calcula una puntuación de credibilidad compuesta ( $S$ ) entre 0.0 y 1.0 mediante una combinación ponderada de las señales:
$S = w_{cat} \cdot s_{cat} + w_{iffy} \cdot s_{iffy} + w_{fc} \cdot s_{fc} + w_{tranco} \cdot s_{tranco} + w_{age} \cdot s_{age} + w_{fill} \cdot s_{cat}$
- Pesos base: La categoría base ( $w_{cat}$ ) tiene el mayor peso (0.50), seguida por la puntuación de Iffy.news y la frecuencia de fact-checking (0.15 cada una). La popularidad y la edad tienen pesos menores (0.05).
- Manejo de datos faltantes: Si una señal no está disponible, su peso se transfiere a la puntuación de la categoría base.
- Regla de anulación: Si un dominio está marcado por Google Safe Browsing, su puntuación se fija forzosamente en 0.05, independientemente de otras señales.

3. Resultados y Características del Dataset

El dataset resultante, CRED-1, contiene 2,672 dominios clasificados en seis categorías: Fake (Falsos), Conspiracy (Conspiración), Unreliable (Poco fiable), Satire (Sátira), Mixed (Mixto) y Reliable (Fiable).

Distribución de Puntuaciones:
- La puntuación media es de 0.299 (desviación estándar 0.170).
- La distribución es bimodal: el 31.7% de los dominios tienen una puntuación muy baja (<0.2), mientras que el 50.0% se sitúa en el rango de credibilidad mixta (0.4–0.6).
- Solo el 0.3% de los dominios (8 sitios) obtienen una puntuación superior a 0.8.
Cobertura de Señales:
- La edad del dominio se obtuvo para el 87% de los casos (mediana de 14 años), lo que sugiere que muchos sitios de desinformación son de larga data, a diferencia de los dominios de phishing.
- Solo el 2.5% de los dominios tienen registros específicos de fact-checking en la base de datos de Google.
- La superposición de fuentes valida el 7.2% de los dominios (193 sitios aparecen en ambas listas).
Formatos de Entrega:
- Compacto (JSON, 145 KB): Optimizado para incrustación en aplicaciones y extensiones de navegador (sin dependencias de servidor).
- Completo (CSV): Incluye las 18 campos crudos para análisis de investigación.

4. Contribuciones Clave

Dataset Abierto y Reproducible: A diferencia de las alternativas propietarias, CRED-1 es totalmente transparente, gratuito y se distribuye bajo licencia CC BY 4.0. Todo el código fuente está disponible en GitHub y Zenodo.
Enfoque "On-Device": El formato compacto permite la implementación en extensiones de navegador y aplicaciones móviles para el pre-bunking en el lado del cliente, preservando la privacidad del usuario al no requerir consultas a servidores externos.
Modelo Multi-Señal sin Dependencias Propietarias: Demuestra que es posible calcular la credibilidad de un dominio utilizando únicamente datos públicos y APIs gratuitas, sin necesidad de bases de datos comerciales ni anotación humana masiva.
Validación de Hipótesis de Seguridad: Confirma que los sitios de desinformación operan mayoritariamente dentro de los límites de la legitimidad técnica (pocos bloqueos por malware), diferenciándose de las amenazas de ciberseguridad tradicionales.

5. Significado e Impacto

CRED-1 proporciona una "verdad fundamental" (ground truth) estandarizada para la investigación sobre desinformación y el desarrollo de herramientas de moderación de contenido. Su capacidad para funcionar en el dispositivo del usuario permite intervenir en el "ciclo de matanza" de la desinformación en el punto crítico de entrega de contenido, antes de que el usuario consuma la información. Además, complementa los enfoques de verificación de afirmaciones individuales al ofrecer priores a nivel de dominio, facilitando la creación de pipelines de detección de desinformación de extremo a extremo.

Limitaciones: El dataset tiene un sesgo hacia el idioma inglés y su validez es temporal (refleja el estado de febrero de 2026), por lo que se requieren actualizaciones periódicas. Además, al ser un dataset de "señal negativa", la ausencia de un dominio en la lista no garantiza su fiabilidad.