💻 computer science

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

Dit artikel introduceert CRED-1, een open en reproduceerbare dataset die domeincredibiliteitscores berekent op basis van meerdere signalen om privacybewuste, client-side pre-bunking van online desinformatie mogelijk te maken.

Oorspronkelijke auteurs: Alexander Loth, Martin Kappes, Marc-Oliver Pahl

Gepubliceerd 2026-04-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Alexander Loth, Martin Kappes, Marc-Oliver Pahl

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

CRED-1: De "Gezondheidscheck" voor Websites

Stel je voor dat het internet een enorme, drukke markt is. Overal staan kraampjes die nieuws verkopen. Sommige kraampjes zijn eerlijke supermarkten met verse groenten (betrouwbare nieuwsbronnen). Maar er zijn ook kraampjes die vergiftigde appels verkopen, of kraampjes die doen alsof ze een supermarkt zijn, maar eigenlijk alleen maar grapjes vertellen of complottheorieën verkopen (nepnieuws).

De auteurs van dit artikel, Loth en zijn collega's, hebben een nieuw hulpmiddel gemaakt genaamd CRED-1. Dit is als een openbare, gratis "gezondheidscheck" voor websites die je kunt gebruiken om te zien of een kraampje op de markt betrouwbaar is.

Hier is hoe het werkt, vertaald naar alledaags taal:

1. Wat is CRED-1 precies?

CRED-1 is een lijst met 2.672 websites die bekend staan om hun onbetrouwbaarheid. Het is geen geheim dossier; iedereen mag het gebruiken.

De bronnen: Ze hebben twee bestaande lijsten van experts samengevoegd (OpenSources.co en Iffy.news).
De extra check: Ze hebben niet alleen gekeken naar wat anderen zeggen, maar hebben ook zelf vier extra "sensorchecks" gedaan:
1. Hoe oud is het? (Is het een nieuw kraampje dat gisteren is opgezet, of bestaat het al 20 jaar?)
2. Hoe populair is het? (Wordt het veel bezocht?)
3. Hoe vaak is het gecontroleerd? (Hebben fact-checkers al eerder gekeken of ze liegen?)
4. Is het gevaarlijk? (Bevat het virussen? Gelukkig bleek dit zelden het geval te zijn bij nepnieuws).

2. Het "Credibiliteitscijfer"

Elke website in deze lijst krijgt een cijfer tussen 0 en 1.

0,0 = Volledig nep, bedrog of complottheorieën (zoals een kraampje dat alleen maar gif verkoopt).
1,0 = Zeer betrouwbaar.
0,5 = Een mix: soms waar, soms niet, of duidelijk bevooroordeeld.

Belangrijke nuance: Als een website niet op deze lijst staat, betekent dat niet dat ze betrouwbaar is. Het betekent alleen dat ze niet bekend staat om nepnieuws. Het is een lijst van "rode vlaggen", geen lijst van "goede vlaggen".

3. Waarom is dit zo handig? (De "Pre-bunking")

Stel je voor dat je een browser-extensie (een kleine hulp-app in je webbrowser) hebt.

Vroeger: Je las een nepartikel, werd boos, en iemand vertelde je later: "Dat was nep." (Dit heet fact-checking of de-bunking).
Nu met CRED-1: De app kijkt voordat je het artikel leest naar de website. Als de website een laag cijfer heeft (bijvoorbeeld 0,2), geeft de app direct een waarschuwing: "Let op, deze bron staat bekend om nepnieuws."

Dit noemen ze pre-bunking (vooraf ontkrachten). Het is alsof je een helm opzet voordat je in een valkuil stapt, in plaats van pas later te hopen dat je geen gebroken been hebt. Omdat de lijst zo klein en lichtgewicht is (net zo groot als een paar foto's), kan deze direct op je telefoon of computer werken, zonder dat je data naar een server hoeft te sturen. Dit is goed voor je privacy.

4. Interessante ontdekkingen

De onderzoekers vonden een paar verrassende dingen:

Oud is niet altijd goed: Veel nepnieuws-websites bestaan al heel lang (gemiddeld 14 jaar!). Ze zijn niet altijd nieuwe, snelle sites. Ze zijn vaak net zo oud als betrouwbare kranten, maar ze doen het net even anders.
Nepnieuws is zelden een virus: De meeste nepnieuws-websites proberen je niet je computer te hacken. Ze proberen je hersenen te hacken. Ze zijn technisch "veilig", maar inhoudelijk gevaarlijk.
De "Gemengde" categorie: De meeste websites in de lijst (50%) zijn niet 100% nep, maar zitten in een grijs gebied. Ze brengen soms waarheden, maar vermengen het met vooroordelen.

5. Wie heeft dit gemaakt?

Het is gemaakt door studenten en onderzoekers van de Hogeschool Frankfurt en IMT Atlantique in Frankrijk. Ze hebben alles in Python geschreven (een programmeertaal) en het is volledig open source. Dat betekent dat iedereen de code kan bekijken, controleren en zelf aanpassen. Er zijn geen geheime algoritmen of dure licenties nodig.

Kortom:
CRED-1 is een gratis, transparante "rode lijst" voor websites. Het helpt ontwikkelaars om slimme hulpmiddelen te bouwen die je waarschuwen voordat je nepnieuws leest, zodat je op de markt van het internet niet in de val van de vergiftigde appels trapt.

Probleemstelling

De verspreiding van online desinformatie en misinformatie vereist effectieve interventies op het moment van contentlevering (content delivery). Bestaande oplossingen zijn vaak afhankelijk van gesloten, proprietaire databases (zoals NewsGuard of MBFC API) die niet transparant, niet reproduceerbaar of niet gratis toegankelijk zijn. Daarnaast ontbreekt er vaak een gestandaardiseerd, open dataset dat specifiek is ontworpen voor lokaal, privacy-vriendelijk gebruik (bijvoorbeeld in browserextensies) om misinformatie te "pre-bunken" (preventief blokkeren) voordat de gebruiker de content ziet. Er is behoefte aan een open, reproduceerbare oplossing die domein-reputatie kan beoordelen zonder serverafhankelijkheid.

Methodologie

De auteurs hebben CRED-1 ontwikkeld, een open dataset voor domein-gebaseerde geloofwaardigheid. De aanpak bestaat uit een volledig reproduceerbare Python-pipeline die twee fasen omvat:

Data-acquisitie en samenvoeging:
- Het dataset combineert twee open source lijsten: OpenSources.co (825 domeinen, gecureerd door Zimdars) en de Iffy.news Index (2.040 domeinen, gebaseerd op Media Bias/Fact Check-ratings).
- Na normalisatie (kleine letters, verwijderen van 'www.', etc.) en het verwijderen van dubbele invoer, bevat het dataset 2.672 unieke domeinen.
- Bij conflicterende labels krijgt de categorie met de laagste geloofwaardigheid voorrang.
Signalverrijking (Enrichment):
Elk domein wordt verrijkt met vier berekende signalen via publieke API's en protocollen:
- Domeinleeftijd: Opgehaald via RDAP/WHOIS.
- Webpopulariteit: Gebaseerd op de Tranco Top-1M lijst (ontworpen om manipulatie te weerstaan).
- Fact-check frequentie: Aantal claims in de Google Fact Check Tools API (ClaimReview).
- Bedreigingsinformatie: Status van Google Safe Browsing (malware/social engineering).
Scoremodel:
Een samengestelde geloofwaardigheidsscore ( $S$ ) tussen 0,0 en 1,0 wordt berekend als een gewogen som van vijf componenten:
- $s_{cat}$ : Basis score gebaseerd op de categorie (Fake = 0,0 tot Reliable = 1,0).
- $s_{iffy}$ : Raw score van Iffy.news.
- $s_{fc}$ : Score gebaseerd op het aantal fact-check claims (logaritmisch afnemend).
- $s_{tranco}$ : Score gebaseerd op de Tranco-rang (logaritmisch afnemend).
- $s_{age}$ : Score gebaseerd op de leeftijd van het domein (verzadigt bij 20 jaar).
- Override: Domeinen gemarkeerd door Google Safe Browsing krijgen een harde cap van 0,05.
De pipeline is volledig geschreven in Python met alleen standaardbibliotheken, waardoor geen externe afhankelijkheden nodig zijn.

Kernresultaten

Datasetomvang: CRED-1 bevat 2.672 domeinen verdeeld over zes categorieën: Fake (18,4%), Conspiracy (5,7%), Unreliable (22,0%), Satire (3,5%), Mixed (50,0%) en Reliable (0,3%).
Scoreverdeling: De gemiddelde score is 0,299 (SD 0,170). De verdeling is bimodaal: veel domeinen scoren laag (<0,2) of in het midden (0,4–0,6). Er zijn geen domeinen in het bereik 0,6–0,8.
Signaldekking:
- 87% van de domeinen heeft domeinleeftijdsdata.
- Slechts 2,5% (67 domeinen) heeft specifieke fact-check claims in de Google-database.
- Slechts 2 domeinen (0,07%) werden gemarkeerd door Google Safe Browsing, wat aantoont dat misinformatie-domeinen vaak technisch legitiem zijn (geen malware) maar inhoudelijk misleidend.
Formaat: Het dataset is beschikbaar in een compacte JSON-versie (145 KB) voor embedden in applicaties en een volledige CSV-versie voor onderzoek.

Bijdragen en Innovatie

Open en Reproduceerbaar: In tegenstelling tot commerciële alternatieven is CRED-1 volledig transparant, gratis te gebruiken (CC BY 4.0) en kan het dataset zelf worden gereconstrueerd vanuit open bronnen.
Privacy-vriendelijke Implementatie: Door het compacte formaat en het ontbreken van serverafhankelijkheid, is het dataset ideaal voor client-side pre-bunking in browserextensies of mobiele apps, waarbij de privacy van de gebruiker gewaarborgd blijft.
Multi-signaal Benadering: Het demonstreert hoe domein-reputatie kan worden berekend door publieke data te combineren, zonder afhankelijk te zijn van gesloten databases of menselijke annotatie voor elk nieuw domein.
Validatie van Aannames: Het onderzoek weerlegt de heuristiek dat misinformatie-domeinen per definitie nieuw zijn; het mediane domein is 14 jaar oud. Ook toont het aan dat misinformatie en malware vaak disjunct zijn.

Significantie

CRED-1 biedt een fundamentele "ground truth" voor onderzoekers in de detectie van misinformatie en ontwikkelaars van contentmoderatie-tools. Het vult de kloof tussen claim-gebaseerde fact-checking en domein-gebaseerde preventie. Door het mogelijk te maken om misinformatie te blokkeren op het moment van contentlevering (pre-bunking), ondersteunt het de ontwikkeling van media-geletterdheid en biedt het een schaalbare, ethische oplossing voor het bestrijden van desinformatie op het web. Het dataset is beschikbaar via GitHub en Zenodo.