Australia akan mengubah undang-undang agar Google dan Facebook membayar
Lain2

Studi menunjukkan menemukan cara otomatis untuk menemukan berita palsu mungkin lebih rumit daripada yang diantisipasi


Kredit: Unsplash/CC0 Domain Publik

Judul clickbait mungkin tidak menarik bagi pembaca seperti yang pernah dipikirkan, menurut tim peneliti. Mereka menambahkan bahwa kecerdasan buatan—AI—mungkin juga gagal dalam menentukan dengan benar apakah sebuah judul adalah clickbait.

Dalam serangkaian penelitian, para peneliti menemukan bahwa clickbait—judul yang sering mengandalkan gimmick linguistik untuk menggoda pembaca agar membaca lebih lanjut—sering kali tidak berkinerja lebih baik dan, dalam beberapa kasus, tampil lebih buruk daripada berita utama tradisional.

Karena berita palsu menjadi perhatian di media sosial, para peneliti telah mengeksplorasi penggunaan AI untuk mengidentifikasi dan memblokir clickbait secara sistematis. Namun, penelitian juga menunjukkan bahwa mengidentifikasi berita palsu dengan kecerdasan buatan mungkin lebih rumit daripada yang diantisipasi, kata S. Shyam Sundar, Profesor Efek Media James P. Jimirro di Sekolah Tinggi Komunikasi Donald P. Bellisario dan co-direktur Laboratorium Penelitian Efek Media.

“Salah satu ide dalam penelitian berita palsu adalah jika kita bisa memecahkan masalah clickbait saja, kita bisa lebih dekat untuk memecahkan masalah berita palsu,” kata Sundar, yang juga merupakan afiliasi dari Institut Ilmu Komputasi dan Data Penn State ( ICDS). “Studi kami sedikit mendorong kembali hal itu. Mereka menyarankan bahwa berita palsu mungkin merupakan permainan bola yang sama sekali berbeda, dan clickbait itu sendiri lebih rumit dari yang kami kira.”

Dalam studi pertama, tim peneliti secara acak menugaskan 150 peserta untuk membaca salah satu dari delapan jenis berita utama dan mengukur apakah para peserta kemudian akan membaca atau berbagi cerita. Para peserta membaca baik headline tradisional, atau headline yang mengandalkan salah satu dari tujuh jenis fitur clickbait, termasuk headline dengan pertanyaan, daftar, kata “Wh” (yaitu, apa, kapan), kata sifat demonstratif (yaitu, ini, itu ), superlatif positif (yaitu, terbaik, terbesar), superlatif negatif (yaitu, terburuk, paling sedikit), atau modals (yaitu, bisa, harus). Berita utama diambil dari sumber online yang dapat diandalkan dan tidak dapat diandalkan dan diklasifikasikan menggunakan algoritme yang dikembangkan untuk mendeteksi clickbait.

“Salah satu pertanyaan awal kami adalah, fitur clickbait mana yang akan menarik lebih banyak klik?” kata Maria Molina, asisten profesor periklanan dan hubungan masyarakat di Michigan State, yang merupakan penulis utama studi tersebut. “Kami ingin menjelajahinya lebih dalam, tetapi ketika kami menganalisis hasilnya, kami menyadari bahwa tidak ada perbedaan yang signifikan, dan, jika ada, orang lebih tertarik pada headline non-clickbait. Jadi, dari sana, kami pikir mungkin ada beberapa alasan mengapa ini bisa terjadi.”

Para peneliti melakukan studi kedua untuk memastikan bahwa faktor-faktor lain seperti pokok bahasan setiap judul, tidak membingungkan hasil, menurut Molina.

Dalam studi ini, para peneliti merekrut 249 peserta, yang secara acak ditugaskan ke salah satu dari delapan kondisi—tujuh headline clickbait dan satu headline non-clickbait. Kali ini, semua headline terfokus pada satu topik politik dan ditulis oleh seorang mantan jurnalis. Sekali lagi, tim melaporkan bahwa headline clickbait tidak secara dramatis mengungguli headline tradisional.

Menurut Dongwon Lee, profesor ilmu dan teknologi informasi di Penn State, tim melakukan penelitian ketiga untuk memeriksa beberapa jenis AI, atau model pembelajaran mesin, yang digunakan dalam penelitian untuk mengklasifikasikan berita utama sebagai berita utama clickbait atau tidak. Mereka menemukan bahwa model sering tidak setuju tentang apakah judul itu clickbait atau tidak.

Studi ini menemukan bahwa empat model AI menyetujui klasifikasi clickbait hanya 47% dari waktu. Dari 175 headline yang diklasifikasikan serupa oleh empat algoritma, 139 diidentifikasi sebagai clickbait dan 36 non-clickbait. Tingkat kesepakatan antar sistem juga bervariasi berdasarkan jenis headline. Misalnya, sementara empat algoritme menyetujui klasifikasi clickbait lebih sering untuk karakteristik superlatif negatif, dibandingkan dengan enam karakteristik lainnya, keempat pengklasifikasi gagal menyepakati klasifikasi non-clickbait untuk superlatif negatif atau karakteristik pertanyaan.

Kinerja model AI dan pembelajaran mesin cenderung bervariasi, kata Lee, yang merupakan afiliasi ICDS. Ketika tajuk utama yang diklasifikasikan oleh setiap model dinilai berdasarkan jumlah klik, tiga dari empat model secara konsisten menunjukkan bahwa kata sifat, daftar, dan kata “wh” yang demonstratif menarik lebih banyak keterlibatan dari pembaca daripada tajuk utama non-clickbait.

“Karena model pembelajaran mesin ini adalah produk dari beberapa dekade terakhir, kami memiliki banyak variasi—beberapa sangat sederhana, beberapa berjalan sangat cepat, namun yang lain lebih rumit dan membutuhkan banyak sumber daya,” kata Lee. “Ini seperti ketika Anda merakit meja—Anda dapat melakukan pekerjaan dengan obeng seharga $5, tetapi mungkin dapat mengerjakannya lebih cepat dengan bor listrik seharga $50. Jadi, bergantung pada kekuatan bawaan model pembelajaran mesin ini, dan set data pelatihan model yang diberikan, mereka cenderung memiliki tingkat kinerja yang berbeda dan pro/kontra yang berbeda-beda.”

Namun, temuan ini menimbulkan keraguan tentang penggunaan AI untuk mendeteksi berita palsu dengan mengklasifikasikan berita utama saja.

“Orang-orang menggunakan banyak saham untuk menggunakan headline clickbait sebagai elemen untuk algoritma pendeteksian berita palsu, tetapi penelitian kami mempertanyakan asumsi ini,” kata Sundar.

Dia menambahkan bahwa penelitian juga menunjukkan bahwa programmer yang mengembangkan algoritme untuk mendeteksi berita palsu mungkin harus terus beradaptasi ketika produsen berita palsu manusia—dan konsumen media—menjadi paham dengan elemen-elemen yang membentuk berita palsu.

“Ini menjadi sedikit permainan kucing dan tikus,” kata Sundar. “Orang-orang yang menulis berita palsu mungkin mengetahui karakteristik yang diidentifikasi sebagai berita palsu oleh pendeteksi dan mereka akan mengubah strategi mereka. Konsumen berita juga mungkin mati rasa pada karakteristik tertentu jika mereka melihat berita utama itu sepanjang waktu. Jadi, Deteksi berita palsu harus terus berkembang dengan pembaca serta pencipta.”

Para peneliti menyarankan bahwa popularitas headline clickbait di masa lalu mungkin menjadi alasan kegagalan headline untuk melibatkan pembaca dalam studi mereka. Clickbait bisa begitu umum di media saat ini sehingga mereka gagal untuk menonjol dan menarik perhatian yang sama seperti berita utama tradisional.

Popularitas clickbait juga membawa lebih banyak pengawasan media, yang mungkin membuat peserta dalam penelitian ini lebih waspada terhadap headline clickbait, tambah Molina.

Tim peneliti mempresentasikan temuan mereka pada konferensi CHI 2021.


Manusia dan AI bekerja sama untuk meningkatkan deteksi clickbait


Informasi lebih lanjut:
Maria D. Molina dkk, Benarkah Clickbait Menarik Lebih Banyak Klik? Tiga Studi Clickbait Yang Harus Anda Baca, Prosiding Konferensi CHI 2021 tentang Faktor Manusia dalam Sistem Komputasi (2021). DOI: 10.1145/341764.3445753

Disediakan oleh Universitas Negeri Pennsylvania

Kutipan: Studi menyarankan menemukan cara otomatis untuk menemukan berita palsu mungkin lebih rumit daripada yang diantisipasi (2021, 22 Juni) diambil 22 Juni 2021 dari https://techxplore.com/news/2021-06-automatic-ways-fake-news-complicated .html

Dokumen ini tunduk pada hak cipta. Terlepas dari transaksi wajar apa pun untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : https://joker123.asia/