Machine Learning e a Luta Contra Desinformação Digital
Um estudo recente da Universidade de Binghamton propõe uma abordagem inovadora utilizando machine learning para mapear interações dentro de plataformas digitais, com o intuito de mitigar a disseminação de conteúdos potencialmente prejudiciais e enganosos.
Contexto da pesquisa
As redes sociais têm facilitado a amplificação de conteúdos conhecidos como “clickbait”, o que pode criar um efeito de “câmara de eco” que reforça crenças já existentes, independente da veracidade da informação. Nesse cenário, a pesquisa visa desenvolver um sistema de IA capaz de mapear como algoritmos e conteúdos interagem, promovendo diversidade nas fontes de informação.
Método proposto
O modelo proposto pelos pesquisadores envolve a construção de um framework de inteligência artificial que analisa dados dos usuários e suas interações nas plataformas digitais. Esse sistema permite identificar potenciais fontes de desinformação e, assim, oferece a possibilidade de filtros mais eficazes contra afirmações enganosas. “As plataformas digitais facilitam a dinâmica de câmara de eco ao otimizar a entrega de conteúdo baseada em métricas de engajamento”, afirmou Thi Tran, co-autora do estudo. (“The online/social media environment provides ideal conditions for that echo chamber effect to be triggered because of how quickly we share information.”)
Resultados e impacto
A pesquisa utilizou um conjunto de dados com estudantes universitários, onde 90% dos participantes indicaram que ainda tomariam a vacina contra COVID-19, mesmo após expostos a desinformações. Além disso, 60% dos estudantes reconheceram os argumentos como falsos, mas 70% sentiram a necessidade de buscar mais informações antes de descartá-los. Essa dinâmica evidencia a complexidade da desinformação na era digital, onde a exposição contínua a determinadas informações pode levar à sua aceitação como verdade.
“Todos queremos transparência na informação, mas quanto mais expostos estamos a certas informações, mais vamos acreditar que são verdadeiras, mesmo que sejam imprecisas.”
(“We all want information transparency, but the more you are exposed to certain information, the more you’re going to believe it’s true, even if it’s inaccurate.”)— Thi Tran, Professora Assistente, Universidade de Binghamton
As implicações dessa pesquisa são vastas, com potenciais aplicações no desenvolvimento de sistemas de curadoria de conteúdo mais eficientes e na promoção da literacia digital entre os usuários. Nos próximos passos, os pesquisadores planejam expandir seus testes e aprimorar o framework desenvolvido, visando uma implementação real nas plataformas sociais.
Fonte: (TechXplore – Machine Learning & AI)
