Fake News Detection Based on Explicit and Implicit Signals of a Hybrid Crowd: Proposal, Impacts and Perspectives

Abstract

The problem of automatic Fake News detection in digital media of news distribution (DMND - e.g., social networks,online newspaper) has become even more relevant. Among the main detection approaches, the one based on crowd signals from DMND users has stood out by obtaining promising results. Although promising, the Crowd Signals approach has a significant limitation: it depends on the explicit user opinion (which is not always available) about the classification of news. Facing this limitation, the present work raises the hypothesis that it is possible to build models of Fake News detection with a performance comparable to the Crowd Signals based approach, avoiding the dependence on the explicit opinion of DMND users. To validate this hypothesis, the present work proposes HCS, an approach based on crowd signals that considers implicit user opinions instead of the explicit ones. The implicit opinions are inferred from the behavior of users concerning the dissemination of the news. Inspired in Meta-Learning, the HCS can also use the explicit opinions from machines (news classification models) to complement the implicit user opinions by means of hybrid Crowds. Experiments presented significant evidence that confirms the raised hypothesis.

A broad meta-scientific overview of ethical aspects in Brazilian research on Web, Hypermedia and Multimedia at the WebMedia symposium

“…In Freire and Goldschmidt (2022), we consider human involvement as passive. Although the person never agreed to participate or even became aware of the research existence, the person "will be participating anyway".…”

AUTOMATA: Um Ambiente para Combate Automático de Fake News em Redes Sociais Virtuais

“…Módulo de Detecção: o módulo de Detecção recupera, a partir de 𝐷 (fluxo de dados 3), o conjunto de notícias não classificadas 𝑁 𝑛𝑐 a fim de avaliar se cada 𝑛 𝑛𝑐 ∈ 𝑁 𝑛𝑐 pode ou não ser fake news. Para tanto, o referido módulo implementa a abordagem de detecção de fake news baseada em crowd signals implícitos originalmente proposta em [3], premiada em [4] e estendida em [2]. Em resumo, tal abordagem utiliza modelos de IA para classificar notícias como possíveis fake news, levando em conta, para isso, a reputação baseada no comportamento prévio (signals) dos usuários da RSV (membros do crowd) na divulgação tanto de notícias anteriores quanto da notícia a ser classificada.…”

“…Tal volume de postagens coletadas correspondeu a 14.274 notícias das quais 0,8% (115 notícias) foram classificadas como fake news e 0,3% (42 notícias) foram selecionadas para Intervenção. Vale ressaltar que a abordagem de detecção de fake news utilizada no AUTOMATA alcançou, aproximadamente, 92% de acurácia e 2% falsos positivos, conforme descrito em [2]. A partir desse resumo estatístico, é possível projetar para um monitoramento de 24h por dia que o volume de postagens coletadas poderia chegar a mais de 160.000 unidades diárias.…”

“…O problema de combater fake news (i.e., notícias falsas divulgadas intencionalmente [6]) não é recente [2]. Contudo, sua complexidade vem aumentando em função do crescimento do volume e da velocidade de divulgação dessas notícias nos meios digitais, em especial, nas Redes Sociais Virtuais (RSVs), tais como Twitter, Facebook, entre outras [1].…”

“…Em busca de mitigar os efeitos nocivos das fake news, ferramentas computacionais que possam auxiliar no combate a esse tipo de notícia têm sido desenvolvidas, sendo poucas delas voltadas para notícias escritas em Língua Portuguesa 2,3,4,5,6,7 . Até onde foi possível observar, tais ferramentas apresentam uma postura passiva, sob dois aspectos: (i) se limitam a identificar possíveis fake news apenas a partir de notícias a elas apresentadas pelos seus usuários; (ii) não atuam para tentar mitigar a propagação dessas notícias.…”