El método de respuesta comunitaria adaptativa (ACR) para la recolección de desinformación en redes sociales

Resumen Las redes sociales pueden ser un gran acelerador de la propagación de desinformación, comprometiendo potencialmente tanto el bienestar individual como la cohesión social. A pesar de los avances significativos recientes, el estudio de la desinformación en línea es un campo relativamente joven que enfrenta varios desafíos (metodológicos). En este sentido, la detección de desinformación en línea ha demostrado ser difícil, ya que los flujos de datos a gran escala en línea requieren métodos (semi-) automatizados, altamente específicos y, por lo tanto, sofisticados para separar las publicaciones que contienen desinformación de las publicaciones irrelevantes. En el presente artículo, introducimos el método de respuesta comunitaria adaptativa (ACR), una técnica no supervisada para la recolección a gran escala de desinformación en Twitter (ahora conocida como 'X'). El método ACR se basa en hallazgos previos que muestran que los usuarios de Twitter ocasionalmente responden a la desinformación verificando hechos al referirse a sitios específicos de verificación de hechos (verificación de hechos basada en la colaboración). En un primer paso, capturamos tweets engañosos pero verificados. Estos tweets se utilizaron en un segundo paso para extraer características lingüísticas específicas (palabras clave), lo que nos permitió también recolectar esos tweets engañosos que no fueron verificados en absoluto como un tercer paso. Presentamos inicialmente un marco matemático de nuestro método, seguido de una implementación algorítmica explícita. Luego evaluamos el ACR sobre la base de un conjunto de datos completo que comprende más de 25 millones de tweets, pertenecientes a más de 300 historias engañosas. Nuestra evaluación muestra que ACR es una extensión útil para el conjunto de métodos del campo, permitiendo a los investigadores recolectar desinformación en línea de manera más completa. Las medidas de similitud de texto indicaron claramente correspondencia entre las afirmaciones de historias falsas y los tweets de ACR, aunque el rendimiento de ACR se distribuyó de manera heterogénea entre las historias. Una comparación de referencia con los tweets verificados mostró que el método ACR puede detectar tweets relacionados con historias en un grado comparable, siendo sensible a diferentes tipos de tweets: Los tweets verificados tienden a ser impulsados por un alto alcance (como lo indica un alto número de retweets), mientras que la sensibilidad del método ACR se extiende a tweets que exhiben un menor alcance. En conjunto, la capacidad de ACR como una valiosa contribución metodológica al campo se basa en (i) la adopción de investigaciones previas y pioneras en el campo, (ii) un marco matemático bien formalizado y (iii) una base empírica a través de un conjunto completo de indicadores.