MADRID.
Las Universidades de Michigan (Estados Unidos) y
Ámsterdam (Países Bajos) han colaborado en la creación de un algoritmo que
identifica de forma automática contenido falso en Internet, a través de la
construcción de bases de datos que comparan las diferencias lingüísticas
existentes entre noticias falsas («fake news») y verdaderas, con una precisión
comparable a la de una persona.
El presente trabajo, al contrario que otros anteriores,
no se centra en el uso de noticias satíricas ni de noticias que han sido
comprobadas por organizaciones especializadas. Por el contrario, como explican
sus responsables en el texto de la investigación, publicado en ArXiv, han
empleado noticias falsas y verdaderas para, mediante un sistema de
procesamiento de lenguaje natural (NLP System, en inglés) desarrollar un
algoritmo que las pueda diferencias.
Los investigadores han establecido ciertos aspectos
necesarios para separar contenido verdadero y falso dentro de noticias, entre
los que destacan tener disponibles ejemplos tanto veraces como engañosos para
comparar, que las noticias estén en formato de texto digital, recoger contenido
que tenga una base de verdad verificable, que los textos a comparar mantengan
una extensión y estructura similares o considerar los factores lingüísticos y
culturales, ya que pueden modificar el contenido de una publicación.
Después de marcar estos parámetros de identificación, los
investigadores han creado dos bases de datos donde recoger las noticias que
sirven para configurar el algoritmo. La primera de estas contiene noticias
verdaderas de seis temáticas (deportes, negocios, entretenimiento, política,
tecnología y educación) procedentes de medios de comunicación legítimos, como
CNN, New York Times, entre otros, que los investigadores comprobaron de forma
manual. También contiene noticias falsas procedentes la comunidad de Amazon
Mechanical Turk (AMT).
Las noticias falsas se crearon a partir de las noticias
verdaderas ya presentes en la base de datos. Los participantes de AMT retocaron
ciertos aspectos de esas noticias, pero manteniendo la estructura y la mayoría
de los rasgos con el objetivo de que permaneciera al máximo el estilo
periodístico para facilitar las comparaciones.
Una vez creada la primera base, se creó la segunda base
de datos, integrada exclusivamente por contenido extraído directamente de la
web. El objetivo de esta era encontrar «fake news» que se habían generado
directamente en Internet. El contenido proviene en gran medida de cuentas de
compañías y personalidades famosas. También se trabajó con dos pares de
noticias: con el titular falso y el legítimo.
Los investigadores realizaron, además, una comparación de
eficacia entre la habilidad de las personas para identificar estas noticias
falsas y las del algoritmo. Concluyen así que los humanos identifican con mayor
facilidad las noticias falsas relacionadas con personas famosas, mientras que
el algoritmo detecta con una mayor precisión las noticias falsas relacionadas
con temas serios.
dre
