Интересное сегодня
Эффект отскока ИИ: как искусственный интеллект ослабляет наш...
Эффект отскока ИИ: парадокс автоматизации Недавно опубликованное исследование в журнале The Lancet G...
Мультимодальный анализ взаимодействия матери и ребенка: синх...
Введение Человеческие существа являются одной из наиболее уязвимых социальных видов, с момента рожде...
Как Ненавязчиво Флиртовать с Парнем: Пошаговое Руководство
Флирт — это нежный толчок, а не силовое давление. Это способ сказать: «Я открыта для связи, и это но...
Как справиться с чрезмерным обдумыванием при СДВГ: понимание...
Почему люди с СДВГ чрезмерно обдумывают? Гиперактивный ум Синдром дефицита внимания и гиперактивнос...
Исследователи обнаружили биомаркер мозга, предсказывающий на...
Исследователи из Университета Рочестера обнаружили биомаркер мозга, который может предсказывать нача...
Почему некоторые люди не учатся на наказаниях: исследование ...
Введение Основной принцип адаптивного поведения гласит, что награды усиливают действия, а наказания ...
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.