发布|机器视觉

新的算法可以帮助公共卫生官员打击在线错误信息

研究人员开发了一种新的机器学习计划,精确地确定了社交媒体和模型的Covid-19链接的阴谋理论,以及它们如何与时间开发。这个工具有一天可以协助公共卫生官员在线打击错误信息。

这张照片显示了与比尔和梅琳达·盖茨阴谋论相关的推文词汇的重要性随时间的变化。在上面的面板中,x轴表示时间,而y轴表示重要的单词。颜色代表单词的重要性,颜色越深表示重要性越高。底部面板是每个主题的词云。单词大小对应于单词权重(权重越高的单词显示越大)。图片来源:洛斯阿拉莫斯国家实验室。

许多与社交媒体上的错误信息相关的机器学习研究都专注于识别不同种类的阴谋论。相反,我们想创造一个更具凝聚力的理解,对误报的变化如何变化。

Courtney Shelley,博士后研究人员,信息系统和建模集团,LOS Alamos国家实验室

由于人们倾向于相信他们遇到的第一个信息,公共卫生官员有一天可以监测哪些阴谋论正在社交媒体上获得关注,并精心策划符合事实的公共信息运动,以防止虚假信息被广泛接受,“雪莱补充道。

雪莱是最近发表在《科学》杂志上的这项研究的合著者医科互联网研究杂志

标题为“思想我分享第一批”采用的开源,匿名的推特数据,以描述四个Covid-19阴谋理论主题,并为大流行的最初五个月提供全貌。

研究分析了四个主题:5G基站传播病毒;比尔和梅林达·盖茨基金会设计或有其他与COVID-19有关的恶意意图;该病毒是生物工程或在实验室制造的;目前仍处于研发阶段的COVID-19疫苗将是危险的。

我们开始使用大约180万推文的数据集,其中包含Covid-19关键词或来自与健康相关的推特账户从这个数据体系,我们识别使用模式过滤的四个阴谋理论匹配的子集,并且在每个阴谋理论类别中标记几百个推文以构建培训集

Dax Gerts,学习共同作者和计算机科学家,信息系统和建模集团,LOS Alamos国家实验室

研究人员使用了四种理论中的每一个来创建随机林机器学习的数据,或者人工智能(AI),分类鸣叫是否是Covid-19错误信息的模型。

这允许我们观察个人在社交媒体上谈论这些阴谋理论的方式,并且随着时间的推移观察变化”,哥特。

研究显示,虚假信息的推文比真实的推文包含更多的负面情绪,阴谋论随着时间的推移而发展,包括独立阴谋论和现实事件的细节。

例如,比尔·盖茨在2020年3月参加了红迪网(Reddit)的“问我任何事”活动,该活动强调了盖茨资助的一项研究,即开发可注射的隐形墨水,可用于记录疫苗接种情况。

很快,与反对疫苗阴谋论相关的词汇的重要性有所增加,指出COVID-19疫苗会秘密地植入人体芯片以控制人口。

此外,研究发现监控学习方法可以自动发现阴谋论,无人值勤学习方法(动态主题建模)可以检测与每个理论相关的主题之间的单词重要性变化。

公共卫生官员知道阴谋理论如何发展和牵引随着时间的推移是重要的Not, they run the risk of inadvertently publicizing conspiracy theories that might otherwise ‘die on the vine.’ So, knowing how conspiracy theories are changing and perhaps incorporating other theories or real-world events is important when strategizing how to counter them with factual public information campaigns

Courtney Shelley,博士后研究人员,信息系统和建模集团,LOS Alamos国家实验室

期刊参考:

盖尔斯,D.,。(2021)“以为我是第一”和其他阴谋理论从Covid-19 infoMemate:探索性研究中推文。医科互联网研究杂志doi.org/10.2196/26527

来源:https://www.lanl.gov/

告诉我们你的想法

你有评论,更新或任何你想添加到这个新闻故事?

留下您的反馈意见
提交