Los puntos clave no están disponibles para este artículo en este momento.
La proliferación de las redes sociales ha promovido la difusión de información errónea que genera muchas preocupaciones en nuestra sociedad. Este artículo se centra en un problema crítico de la detección explicable de información errónea sobre COVID-19 que tiene como objetivo identificar y explicar con precisión las afirmaciones engañosas sobre COVID-19 en las redes sociales. Motivados por la falta de conocimiento relevante sobre COVID-19 en las soluciones existentes, construimos un enfoque novedoso basado en un grafo de conocimiento de crowdsourcing para incorporar los hechos del conocimiento sobre COVID-19 aprovechando los esfuerzos colaborativos de trabajadores expertos y no expertos. Existen dos desafíos importantes en el desarrollo de nuestra solución: i) cómo coordinar de manera efectiva los esfuerzos de la multitud tanto de trabajadores expertos como no expertos para generar los hechos de conocimiento relevantes para detectar la información errónea sobre COVID-19; ii) cómo aprovechar los hechos de conocimiento del grafo de conocimiento construido para explicar con precisión la información errónea sobre COVID-19 detectada. Para abordar los desafíos anteriores, desarrollamos HC-COVID, un marco jerárquico basado en un grafo de conocimiento de crowdsourcing que modela explícitamente los hechos del conocimiento sobre COVID-19 contribuidos por trabajadores de la multitud con diferentes niveles de experiencia y que identifica con precisión los hechos de conocimiento relacionados para explicar los resultados de detección. Evaluamos HC-COVID utilizando dos conjuntos de datos públicos del mundo real en las redes sociales. Los resultados de la evaluación demuestran que HC-COVID supera significativamente las líneas base de última generación en términos de la precisión de detección de afirmaciones engañosas sobre COVID-19 y la calidad de las explicaciones.
Kou et al. (Fri,) estudiaron esta cuestión.