💻 computer science

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

Il paper presenta CRED-1, un dataset open source e riproducibile di credibilità a livello di dominio che integra fonti aperte e segnali computazionali per abilitare la pre-smentita della disinformazione online direttamente sul dispositivo utente in modo rispettoso della privacy.

Autori originali: Alexander Loth, Martin Kappes, Marc-Oliver Pahl

Pubblicato 2026-04-24

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Alexander Loth, Martin Kappes, Marc-Oliver Pahl

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina internet come un enorme mercato all'aperto, pieno di migliaia di bancarelle che vendono notizie. Alcune bancarelle vendono frutta fresca e vera (notizie vere), altre vendono mele marce dipinte di rosso (fake news), e altre ancora vendono barzellette che sembrano vere (satira).

Il problema? È difficile distinguere subito chi vende cosa, specialmente se sei di fretta mentre scorri il tuo telefono.

Cosa hanno creato gli autori (Loth e colleghi)?
Hanno creato una "Bussola della Fiducia" chiamata CRED-1. È un elenco digitale, gratuito e aperto, che funziona come una lista di controllo per il tuo browser.

Ecco come funziona, passo dopo passo, con delle metafore:

1. La Lista dei "Sospetti" (I Dati)

Immagina che due investigatori privati molto seri (chiamati OpenSources.co e Iffy.news) abbiano passato anni a girare per il mercato, segnando su dei taccuini quali bancarelle vendono spazzatura.

CRED-1 prende questi due taccuini e li unisce in un unico grande registro.
Contiene circa 2.700 domini (i nomi dei siti web) che sono stati etichettati come "inaffidabili", "falsi", "cospirazionisti" o "satirici".
Nota importante: Se un sito non è in questa lista, non significa che sia perfetto. Significa solo che non è stato ancora scoperto come "cattivo". È come una lista di ladri noti: se il tuo vicino non è nella lista, non è necessariamente un santo, ma almeno non è un ladro noto.

2. I Quattro "Detective" (I Segnali)

Per dare un punteggio di "cattiveria" a ogni sito, il sistema non si fida solo dei taccuini originali. Usa quattro piccoli detective digitali che controllano ogni sito da angolazioni diverse:

L'Anagrafe (Età del dominio): Chiede: "Da quanto tempo esiste questo sito?".
- La sorpresa: Molti siti di fake news sono vecchi e consolidati (come vecchie case diroccate), non sono tutti nuovi nati come i siti di phishing. Quindi, l'età da sola non basta a giudicare.
Il Contatore di Folla (Popolarità): Chiede: "Quanta gente visita questo posto?".
- Usa una lista chiamata Tranco per vedere se il sito è famoso o se è un vicolo cieco.
Il Fact-Checker (Frequenza di smentita): Chiede: "Quante volte Google o altri hanno smascherato le bugie di questo sito?".
- Se un sito ha 50 smentite, il suo punteggio crolla. Se non ne ha nessuna, non significa che sia vero, ma che nessuno ha ancora controllato le sue storie.
L'Agente di Sicurezza (Minacce): Chiede: "Questo sito ha virus o cerca di rubare i tuoi dati?".
- Risultato sorprendente: quasi tutti i siti di fake news sono "tecnicamente sicuri" (non hanno virus), ma mentono sulle informazioni. Sono come truffatori vestiti da poliziotti: sembrano legali, ma mentono.

3. Il Punteggio Finale (La Bussola)

Tutti questi dati vengono mescolati in una ricetta segreta (un algoritmo) per dare a ogni sito un punteggio da 0 a 1:

0.0: "Non fidarti assolutamente" (Fake news pure, cospirazioni).
0.5: "Mischia le carte" (Alcune notizie vere, ma tante di parte o fuorvianti).
1.0: "Fidati" (Siti affidabili).

Il risultato è un file piccolo e leggero (come un foglio di calcolo) che può essere caricato direttamente nel tuo browser o sul tuo telefono.

Perché è così speciale? (Il valore)

È come un "Pre-avviso": Invece di dirti "Questa notizia è falsa" dopo che l'hai letta (e ti sei già arrabbiato), questo sistema ti dice "Attenzione, questo sito è sospetto" prima che tu clicchi. È come avere un amico che ti tira la manica prima che tu entri in un negozio truffaldino.
È trasparente e gratuito: A differenza di servizi a pagamento (come NewsGuard) che sono "scatole nere" (non sai come fanno i calcoli), CRED-1 è come una ricetta di cucina aperta: chiunque può vedere come è stato fatto, copiarlo e migliorarlo.
Rispetta la tua privacy: Non deve inviare i tuoi dati a un server centrale. Funziona tutto sul tuo dispositivo. È come avere una mappa stampata in tasca invece di dover chiamare un'agenzia di viaggi ogni volta.

In sintesi

Gli autori hanno creato un kit di sopravvivenza digitale per chi naviga online. Non risolve magicamente tutto il problema delle bugie, ma dà a tutti noi (dai ricercatori agli utenti comuni) una bussola affidabile, gratuita e privata per non perdere la rotta nel mare di disinformazione.

È un invito a non fidarsi ciecamente di ciò che appare, ma a controllare la "carta d'identità" del sito prima di credere alla sua storia.

Titolo: CRED-1: Un Dataset Aperto Multi-Segnale per la Credibilità di Dominio e il Pre-Bunking Automatizzato della Disinformazione

1. Il Problema

La diffusione di disinformazione e misinformation online rappresenta una sfida critica per la società e la sicurezza informatica. Gli approcci attuali per la moderazione dei contenuti spesso dipendono da database proprietari (es. NewsGuard) o richiedono annotazione umana, rendendoli costosi, opachi e difficili da integrare in ambienti client-side (come estensioni del browser) che preservano la privacy degli utenti. Inoltre, esiste la necessità di intervenire nella "catena di uccisione" della disinformazione (misinformation kill chain) al momento della consegna del contenuto (content delivery), prima che l'utente interagisca con la notizia (pre-bunking), ma mancano dataset aperti, riproducibili e specifici a livello di dominio per supportare tali sistemi.

2. Metodologia

Il paper presenta CRED-1, un dataset e una pipeline automatizzata progettati per valutare la credibilità dei domini web utilizzando esclusivamente dati pubblici e librerie standard Python. La metodologia si articola in due fasi principali:

Fase 1: Acquisizione e Fusione delle Fonti
- Il dataset aggrega etichette da due fonti open-source: OpenSources.co (825 domini) e l'Indice Iffy.news (2.040 domini), entrambi con licenze aperte (CC BY 4.0 e MIT).
- Dopo normalizzazione (rimozione di "www.", lowercase) e deduplicazione, il dataset finale contiene 2.672 domini unici.
- In caso di conflitto tra le etichette delle due fonti, viene assegnata la categoria di credibilità più bassa (principio di cautela).
Fase 2: Arricchimento Multi-Segnale
Ogni dominio viene arricchito con quattro segnali computati indipendentemente tramite API pubbliche:
1. Età del dominio: Recuperata tramite protocollo RDAP/WHOIS.
2. Popolarità Web: Basata sulla classifica Tranco Top-1M (resistente alla manipolazione).
3. Frequenza di Fact-Checking: Numero di claim verificati associati al dominio tramite Google Fact Check Tools API.
4. Intelligence sulle Minacce: Flag binario per malware o ingegneria sociale tramite Google Safe Browsing API.
Modello di Punteggio Composito
Viene calcolato un punteggio di credibilità composito ( $S$ ) compreso tra 0.0 e 1.0, basato su una combinazione ponderata dei segnali:
- Base: Punteggio derivante dalla categoria (es. Fake = 0.0, Affidabile = 1.0).
- Pesi: Il modello assegna pesi specifici ai segnali (es. 50% alla categoria, 15% a Iffy.news, 15% ai fact-check, 5% alla popolarità, 5% all'età).
- Gestione dei dati mancanti: Se un segnale è assente, il suo peso viene ridistribuito al punteggio di base della categoria.
- Override: I domini flaggati da Google Safe Browsing ricevono un punteggio massimo forzato di 0.05.

3. Risultati Chiave

Composizione del Dataset: Il dataset copre 2.672 domini classificati in sei categorie: Fake (18.4%), Inaffidabile (22.0%), Misto (50.0%), Teoria del complotto (5.7%), Satira (3.5%) e Affidabile (0.3%).
Distribuzione dei Punteggi: La distribuzione è bimodale. Il 31.7% dei domini ha un punteggio inferiore a 0.2 (principalmente fake e cospirazioni), mentre il 50% si colloca tra 0.4 e 0.6 (domini a credibilità mista).
Copertura dei Segnali:
- L'età del dominio è disponibile per l'87% dei casi (mediana di 14 anni), indicando che molti siti di disinformazione sono ben consolidati, contrariamente ai domini di phishing recenti.
- Solo il 2.5% dei domini (67 su 2.672) ha claim specifici nel database di Google Fact Check.
- Solo 2 domini (0.07%) sono stati flaggati come minacce di sicurezza (malware), confermando che la disinformazione opera spesso entro i limiti della legittimità tecnica.
Formato e Dimensioni: Il dataset è disponibile in formato JSON compatto (145 KB), ottimizzato per l'embedding su dispositivi mobili e browser senza dipendenze server.

4. Contributi Principali

Dataset Open e Riproducibile: A differenza delle alternative proprietarie, CRED-1 è completamente trasparente, basato su codice Python standard (nessuna libreria esterna richiesta) e riproducibile da fonti pubbliche.
Design "Negative-Signal": Il dataset contiene solo domini con problemi di credibilità noti. L'assenza di un dominio dal dataset non implica affidabilità, ma neutralità/ignoto, evitando falsi positivi.
Abilitazione del Pre-Bunking Client-Side: La dimensione ridotta e il formato JSON permettono l'esecuzione locale (on-device) nelle estensioni dei browser, preservando la privacy dell'utente e consentendo l'intervento prima del caricamento del contenuto.
Validazione Indipendente: Il 7.2% dei domini appare in entrambe le fonti originali, fornendo una sovrapposizione che aumenta la fiducia nelle etichette.

5. Significato e Implicazioni

CRED-1 rappresenta una risorsa fondamentale per:

Ricerca: Fornisce una "verità di base" (ground truth) a livello di dominio per studi sulla disinformazione e per pipeline di fact-checking automatizzato.
Sviluppo Software: Abilita lo sviluppo di strumenti di moderazione dei contenuti e estensioni browser leggeri e rispettosi della privacy.
Educazione: Può essere utilizzato per creare curricula di alfabetizzazione mediatica.
Sicurezza Informatica: Dimostra che la disinformazione e il malware sono entità largamente disgiunte, richiedendo approcci di rilevamento diversi.

Il lavoro sottolinea l'importanza di intervenire al punto di consegna dei contenuti (content delivery) per interrompere la diffusione della disinformazione, offrendo uno strumento pratico, economico e scalabile per farlo. Il dataset e il codice sorgente sono archiviati su Zenodo e GitHub sotto licenza CC BY 4.0.