Как обнаружить ложные аргументы в климатической дезинформации: технокогнитивный подход

Как обнаружить ложные аргументы в климатической дезинформации: технокогнитивный подход

Интересное сегодня

Различия в нарративной идентичности у людей с аутизмом

Различия в нарративной идентичности у аутизма Аутизм характеризуется изменением восприятия себя, осо...

Детские предикторы благотворительности и помощи в 22 странах

Введение Прогрессивные действия, которые добровольно приносят пользу другим, играют важную роль в ра...

Улучшение устойчивости шага у пожилых людей с использованием...

Введение Поддержание устойчивого шага критически важно для пожилых людей, чтобы оставаться независим...

Влияние субклинических депрессивных симптомов и стресса на п...

Введение Пенсия может оказать значительное влияние на когнитивные способности, что идет вразрез с но...

Личностные черты и их корреляция с поведением у макак-боннет...

Введение Исследование личностных черт у приматов набирает популярность. Личностные черты определяютс...

Концепция «Недоступности» Хартмута Розы: как принять неконтр...

Введение: что такое «недоступность»?Хартмут Роза в своей концепции «недоступности» (нем. Unverfügbar...

figure 1
figure 1
figure 2
figure 2
figure 3
figure 3
Thumbnail 1
Thumbnail 2
Thumbnail 3
Thumbnail 4
Thumbnail 5
Thumbnail 6
Оригинал исследования на сайте автора

Проблема климатической дезинформации

Дезинформация о климате снижает осведомленность общества и подрывает поддержку мер по смягчению последствий изменений климата. Попытки донести научные факты часто нивелируются ложными утверждениями, что усиливает поляризацию в обществе. Для противодействия этому требуются комплексные решения, объединяющие технологии и психологию.

Роль психологических и технологических методов

Психологические исследования показывают, что эффективные методы борьбы с дезинформацией включают как фактологическую коррекцию (разъяснение научных данных), так и разоблачение манипулятивных техник (логических ошибок и риторических уловок). Однако автоматическое обнаружение таких ошибок в климатической дезинформации остается малоизученной областью.

Разработка модели обнаружения ложных аргументов

В данном исследовании применяется технокогнитивный подход, объединяющий критическое мышление и машинное обучение. На основе таксономий FLICC (Fake experts, Logical fallacies, Impossible expectations, Cherry picking, Conspiracy theories) и CARDS (Computer Assisted Recognition of Denial and Skepticism) был создан датасет, связывающий примеры климатической дезинформации с конкретными логическими ошибками.

Обучение и оценка модели

Датасет использовался для обучения модели на основе архитектуры DeBERTa. Производительность оценивалась с помощью метрики F₁, которая учитывает как точность, так и полноту предсказаний. Результаты показали, что модель превосходит предыдущие разработки в 2.5–3.5 раза.

  • Легче всего обнаруживаются аргументы с ложными экспертами и анекдотическими свидетельствами.
  • Сложнее выявлять ошибки, требующие контекстных знаний, такие как упрощение, искажение фактов и ленивая индукция.

Перспективы и этические вопросы

Модель демонстрирует высокую эффективность в обнаружении логических ошибок, но ее можно улучшить за счет увеличения датасета и уточнения классификации сложных случаев. Важно учитывать этические аспекты: технологии борьбы с дезинформацией не должны использоваться для цензуры, а должны способствовать развитию критического мышления.

«Технокогнитивный подход объединяет силу технологий и психологии, чтобы дать людям инструменты для распознавания манипуляций»

Дальнейшие исследования могут быть направлены на интеграцию этой модели с системами автоматического опровержения, а также на адаптацию под другие темы, такие как дезинформация о вакцинах.

Короткие версии статей можно найти в телеграм-канале.

Посмотреть канал
Кликните еще раз для перехода