Alat AI Mendeteksi Akurasi dan Bias Politik Sumber Berita
- Algoritma machine learning baru berfokus pada sumber berita daripada hanya mengambil klaim individual, untuk mendeteksi berita bohong dan bias.
- Untuk artikel berita baru, ia mencapai akurasi hingga 70 persen.
- Ia hanya membutuhkan 150 konten untuk menentukan apakah sumber dapat dipercaya atau tidak.
Platform media sosial telah membuatnya sangat mudah bagi siapa saja untuk berbagi dan menyebar informasi di internet. Ini telah mengarah pada proliferasi berita bohong yang biasanya dihasilkan baik untuk mengubah sentimen orang dan mempengaruhi acara besar seperti pemilihan politik, atau untuk menarik lalu lintas dan menghasilkan pendapatan dengan menampilkan iklan.
Sementara banyak raksasa teknologi memasukkan sumber daya signifikan untuk membangun sistem deteksi berita bohong milik mereka sendiri, peneliti di MIT dan Qatar Computing Research Institute percaya bahwa strategi terbaik untuk mendeteksi berita bohong adalah berfokus pada sumber berita daripada hanya menganalisis klaim individual.
Dengan pendekatan ini, mereka telah mengembangkan metode baru berbasis machine learning yang menentukan apakah sumber dapat dipercaya atau tidak. Pada dasarnya, ia mengkarakterisasi seluruh media berita, memprediksi kebenaran pelaporan.
Bagaimana Cara Menentukan Berita Bias?
Ide di balik sistem ini adalah jika sebuah situs telah menerbitkan fakta yang salah sebelumnya, ada probabilitas yang cukup besar bahwa mereka akan melakukannya lagi. Menganalisis konten lain pada situs web tersebut dapat membantu sistem menentukan situs mana yang cenderung melakukannya dari awal.
Untuk mengidentifikasi berita bohong dengan andal, seseorang dapat mencari fitur linguistik umum seperti struktur, kompleksitas, dan sentimen dalam artikel. Misalnya, sebagian besar berita bohong menggunakan bahasa yang emosional, subjektif, dan hiperbolik.
Dalam studi ini, mereka bereksperimen dengan beberapa fitur yang berasal dari
- Konten dari sumber berita target,
- akun Twitter dan halaman Wikipedia-nya
- struktur URL-nya
- jumlah pengunjung yang diterimanya
Mereka mengumpulkan data dari situs web Media Bias/Fact Check. Dengan bantuan peninjau manusia, situs web ini memeriksa kebenaran dan bias hampir dua ribu situs berita, termasuk sumber media populer dan content farm yang tipis.
Referensi: arXiv:1810.01765 | MIT
Data ini diberikan kepada model machine learning, yang dikembangkan untuk mengklasifikasikan sumber sama seperti situs web peninjau manusia. Model ini memberikan hasil yang mengesankan: untuk artikel berita baru, ia mencapai akurasi 65 persen dalam menentukan apakah artikel memiliki tingkat kebenaran rendah, sedang, atau tinggi, dan akurat 70 persen dalam menentukan apakah konten cenderung kanan, cenderung kiri, atau sedang.
Kredit citra: MIT
Para peneliti klaim bahwa sistem ini hanya membutuhkan 150 konten untuk secara akurat menentukan apakah situs web sumber dapat dipercaya atau tidak. Dengan demikian, ia dapat menyaring berita bohong sebelum menyebar terlalu luas di seluruh internet.
Apa Selanjutnya?
Para peneliti saat ini bekerja pada sistem untuk meningkatkan akurasinya dan membuatnya bekerja bersamaan dengan analis fakta konvensional. Jika sistem memberikan hasil 'aneh atau membingungkan' pada topik tertentu, platform peninjauan manual dapat dengan cepat memeriksa hasil tersebut dan menentukan seberapa besar validitas yang harus diberikan kepada perspektif yang berbeda.
Para penulis juga telah menghasilkan dataset open-source hampir seribu situs web berita yang ditandai dengan skor akurasi dan bias. Mereka juga berencana untuk meluncurkan aplikasi seluler untuk membantu orang keluar dari gelembung politik mereka. Selain itu, mereka akan mencoba melatih sistem untuk bekerja dengan bahasa lain juga. Mereka ingin melebihi bias kanan/kiri dan memodelkan bentuk bias lain yang lebih relevan untuk wilayah lain.
Baca: Algoritma Generik Baru untuk Mendeteksi ID Palsu di Situs Jaringan Sosial
Jenis algoritma ini dapat membantu orang memahami situs bohong terlihat seperti apa dan jenis artikel yang cenderung diterbitkannya.
