مطالعه شایعه و اطلاعات نادرست با داده‌های رسانه‌ای
فرض کنید ادعایی درباره تعطیلی یک بانک منتشر شده است. چند کانال آن را بازنشر می‌کنند، کاربران درباره آن سؤال می‌پرسند و بعد خبری در تکذیب آن منتشر می‌شود. برای پژوهشگر، بررسی درست یا نادرست‌بودن ادعا فقط بخشی از مسئله است. زمان گسترش، مسیر بازنشر و واکنش به تکذیب نیز اهمیت دارند. این مثال فرضی نشان می‌دهد چرا مطالعه اطلاعات نادرست به ترکیب تحلیل محتوا، زمان و شبکه نیاز دارد. داده‌های ایکس، تلگرام و رسانه‌های خبری می‌توانند بخش‌هایی از این مسیر را نشان دهند، اما معمولاً کل مسیر در دسترس نیست.
ابتدا نوع ادعا را روشن کنیم.
واردل و درخشان (۲۰۱۷) میان اطلاعات نادرستِ منتشرشده بدون قصد آسیب، اطلاعات نادرستِ عمدی با قصد آسیب، و استفاده آسیب‌زای عمدی از اطلاعات واقعی تمایز می‌گذارند. این دسته‌بندی کمک می‌کند همه موارد را با برچسب مبهم «خبر جعلی» توصیف نکنیم. نادرست‌بودن یک ادعا، نیت منتشرکننده را ثابت نمی‌کند. برای نسبت‌دادن فریب عمدی، شواهد جداگانه لازم است. شایعه نیز ممکن است در زمان انتشار فقط تأییدنشده باشد و بعداً درست یا نادرست از کار درآید. بنابراین در کدگذاری، بهتر است وضعیت‌هایی مانند «تأییدشده»، «ردشده» و «حل‌نشده» از یکدیگر جدا باشند. زمان داوری را هم ثبت کنید. پژوهشگری که امروز صحت یک ادعا را می‌داند، نباید فرض کند کاربران هنگام انتشار به همان اطلاعات دسترسی داشته‌اند. این تفاوت برای فهم رفتار آن‌ها ضروری است.
چرخه انتشار را بازسازی کنیم
برای هر ادعا، یک شناسه مستقل تعریف کنید و نسخه‌های متفاوت آن را کنار هم قرار دهید. یک روایت ممکن است با تغییر تیتر، کوتاه‌شدن متن یا افزودن عکس قدیمی دوباره منتشر شود. جست‌وجوی یک جمله ثابت، همه این نسخه‌ها را پیدا نمی‌کند. در مثال بانک، می‌توان زمان نخستین مشاهده در داده‌ها، اوج انتشار و زمان نخستین اصلاح یا تکذیب قابل مشاهده را ثبت کرد. عبارت «نخستین مشاهده در داده‌ها» دقیق‌تر از «منشأ شایعه» است؛ زیرا پیام اولیه ممکن است حذف شده، خصوصی بوده یا بیرون از منابع بررسی‌شده منتشر شده باشد. هنگام مقایسه محیط‌ها، زمان‌ها را یکدست کنید و ارتباط میان نسخه‌ها را با شواهدی مانند پیوند، نقل مستقیم یا شباهت مشخص محتوا بسنجید. صرف اینکه دو پیام یک ادعا دارند، برای اثبات انتقال مستقیم از یکی به دیگری کافی نیست.
یافته‌های انتشار چه چیزی به ما می‌گویند
وثوقی و همکاران (۲۰۱۸) در مجموعه آبشارهای انتشار توییتر که بررسی کردند، دریافتند اخبار نادرست نسبت به اخبار درست سریع‌تر و گسترده‌تر منتشر شده‌اند. تفاوت در اخبار سیاسی برجسته‌تر بود و فعالیت ربات‌ها به‌تنهایی آن را توضیح نمی‌داد. این یافته دلیلی برای بررسی ساختار انتشار است، نه قاعده‌ای قطعی درباره همه موضوعات و پلتفرم‌ها. برای پژوهش تازه باید مشخص شود «سرعت» یا «گستردگی» چگونه اندازه‌گیری می‌شود. زمان رسیدن به تعداد معینی بازنشر، تعداد حساب‌های مشارکت‌کننده و عمق زنجیره بازنشر، شاخص‌های متفاوتی‌اند. بازنشر تکذیب نیز باید از بازنشر تأییدآمیز ادعا جدا شود. در غیر این صورت، ممکن است تلاش کاربران برای اصلاح اطلاعات به‌اشتباه در شمار گسترش حمایت از همان ادعا قرار گیرد.
مدل زبانی جای راستی‌آزمایی را نمی‌گیرد
دو متن با ظاهر حرفه‌ای می‌توانند از نظر صحت کاملاً متفاوت باشند. لحن، هیجان یا غلط املایی برای داوری درباره حقیقت کافی نیست. یک مدل می‌تواند پیام‌های محتمل یا مشابه را برای بررسی اولویت‌بندی کند، اما داوری نهایی باید به شواهد قابل ارزیابی متصل باشد. برای ساخت مجموعه برچسب‌خورده، کنار هر برچسب، منبع داوری، تاریخ بررسی و توضیح کوتاهی از دلیل آن را نگه دارید. در موارد اختلاف، امکان بازبینی فراهم کنید. اگر داده برای آموزش مدل استفاده می‌شود، نسخه‌های بسیار مشابه یک ادعا نباید هم در بخش آموزش و هم در بخش آزمون قرار گیرند؛ این هم‌پوشانی عملکرد مدل را بهتر از واقع نشان می‌دهد.
نقش رسانه‌های خبری را هم بررسی کنیم
رسانه خبری می‌تواند ادعا را اصلاح کند، اما ممکن است با بازنشر گسترده آن، دامنه آشنایی مخاطبان با همان ادعا را نیز افزایش دهد. تسفاتی و همکاران (۲۰۲۰) در مرور پژوهش‌ها، نقش رسانه‌های جریان اصلی در انتشار اخبار جعلی و پیامدهای آن را بررسی کرده‌اند. بنابراین نام یک رسانه به‌تنهایی معیار قطعی صحت نیست. در پژوهش، ادعا را با اسناد اصلی و منابع مستقل بسنجید و بررسی کنید پوشش خبری چه نسبتی با روند انتشار داشته است. کاهش پیام‌ها پس از تکذیب، به‌تنهایی اثر علّی تکذیب را ثابت نمی‌کند؛ توجه عمومی ممکن است به دلایل دیگری کاهش یافته باشد. خروجی مفید این مطالعه، پرونده‌ای مستند از ادعا و مسیر مشاهده‌شده انتشار آن است. چنین پرونده‌ای روشن می‌کند چه چیزی می‌دانیم، کجا شواهد ناقص است و کدام بخش به بررسی بیشتر نیاز دارد.
منابع
Tsfati, Y., Boomgaarden, H. G., Strömbäck, J., Vliegenthart, R., Damstra, A., & Lindgren, E. (2020). Causes and consequences of mainstream media dissemination of fake news: Literature review and synthesis. Annals of the International Communication Association, 44(2), 157–173. https://doi.org/10.1080/23808985.2020.1759443
Vosoughi, S., Roy, D., & Aral, S. (2018). The Spread of True and False News Online. Science, 359(6380), 1146–1151. https://doi.org/10.1126/science.aap9559
Wardle, C., & Derakhshan, H. (2017). Information Disorder: Toward an Interdisciplinary Framework for Research and Policy Making. Council of Europe. https://rm.coe.int/information-disorder-report-november-2017/1680764666
