Κέρδη:
- Δυνατότητα διαχωρισμού μιας αξίωσης σε ανεξάρτητα επαληθεύσιμα στοιχεία και αναγνώρισης και διασταύρωσης μιας κύριας πηγής για το καθένα
- Δυνατότητα παραγωγής και εφαρμογής οπτικής και αντίστροφης αναζήτησης εικόνων, μεταδεδομένων και ελέγχων ελέγχου εσωτερικής συνέπειας με υποστήριξη τεχνητής νοημοσύνης
- Κατανοώντας ότι η τεχνητή νοημοσύνη δεν μπορεί να κριθεί με βάση την ακρίβεια, ότι τα στοιχεία προέρχονται από την πρωτογενή πηγή και ότι η διαδικασία επιβεβαίωσης πρέπει να γράφεται με διαφάνεια.
Στη δημοσιογραφία, καμία πρόταση δεν είναι αληθινή μέχρι να «δείξει ότι είναι αληθινή». Ο έλεγχος γεγονότων - η πράξη ελέγχου της αλήθειας ενός ισχυρισμού, εικόνας, αριθμού ή εγγράφου με ανεξάρτητα στοιχεία - είναι η ραχοκοκαλιά του επαγγέλματος. Ένας ρεπόρτερ στη ροή πληροφοριών που επιταχύνεται από τα μέσα κοινωνικής δικτύωσης. Πρέπει να δοκιμάσει μέσα σε λίγα λεπτά εάν μια φωτογραφία τραβήχτηκε στην τοποθεσία που έχει υποβάλει αξίωση, εάν ένας λογαριασμός είναι πραγματικός ή όχι και την πηγή ενός αριθμού. Η τεχνητή νοημοσύνη (AI) είναι ένα εργαλείο οργάνωσης και ιδεασμού σε αυτή τη διαδικασία: απαριθμεί βήματα επαλήθευσης, αναλύει μια αξίωση στα στοιχεία της, συνάγει ποιες ερωτήσεις να υποβάλει, παραθέτει όλους τους ισχυρισμούς σε ένα κείμενο που πρέπει να ελεγχθούν. Αλλά εδώ η πιο κρίσιμη προειδοποίηση γίνεται ακόμη πιο σκληρή: η τεχνητή νοημοσύνη δεν αποτελεί πηγή ελέγχου γεγονότων. Δεν μπορείτε να μάθετε αν ένας ισχυρισμός είναι αληθινός «ρωτώντας» το AI. Η τεχνητή νοημοσύνη εξορθολογίζει τη διαδικασία, ο δημοσιογράφος βρίσκει τα στοιχεία από την κύρια πηγή. Ρωτήστε το AI "είναι αλήθεια αυτό;" Το να ρωτάς σημαίνει να προσκαλείς μια ψευδαίσθηση.
Βήμα προς βήμα: επιβεβαίωση αξίωσης
Βήμα 1 — Διαχωρίστε την αξίωση στα στοιχεία της. Η πρόταση "Αυτό το ίδρυμα απέλυσε 500 άτομα πέρυσι" είναι στην πραγματικότητα αρκετοί ισχυρισμοί: ποιο ίδρυμα, ποιο έτος, πόσα άτομα, ποια είναι η πηγή. Το AI κάνει αυτή την ανάλυση γρήγορα. Κάθε στοιχείο επαληθεύεται χωριστά.
Βήμα 2 — Προσδιορίστε την κύρια πηγή. Για κάθε στοιχείο, "πού είναι τα πιο αξιόπιστα στοιχεία;" Κάντε την ερώτηση: επίσημο αρχείο, πρωτότυπο έγγραφο, πρώτος μάρτυρας, έκθεση ελεγκτή. Το AI μπορεί να προτείνει πού να κοιτάξετε. Βρίσκεις όμως τα στοιχεία και τα ανοίγεις.
Βήμα 3 — Δοκιμάστε την εικόνα και την τοποθεσία. Για φωτογραφία/βίντεο: ημερομηνία πρώτης δημοσίευσης, τοποθεσία λήψης, συνοχή καιρού/σκιάς, πινακίδες στο παρασκήνιο. Αντίστροφη αναζήτηση εικόνων — μια μέθοδος εύρεσης πού εμφανίστηκε προηγουμένως μια εικόνα στο Διαδίκτυο — δείχνει εάν μια παλιά εικόνα παρουσιάζεται ως νέα. Το AI παραθέτει αυτούς τους ελέγχους. η παρατήρηση και η αναζήτηση παίρνουν την απόφαση.
Βήμα 4 — Ελέγξτε την ταυτότητα και το ιστορικό του πόρου. Ημερομηνία έναρξης λειτουργίας, προηγούμενες αναρτήσεις, συνέπεια λογαριασμού μέσων κοινωνικής δικτύωσης. Το AI μας υπενθυμίζει τι πρέπει να αναζητήσουμε. Εσείς κάνετε την επαλήθευση.
Βήμα 5 — Διασταυρούμενη επιβεβαίωση. Ο κρίσιμος ισχυρισμός επαληθεύεται από τουλάχιστον δύο ανεξάρτητες πηγές. Δύο ιστότοποι που αντιγράφουν ο ένας τον άλλον δεν είναι "δύο πηγές". Η ανεξαρτησία είναι απαραίτητη.
Βήμα 6 — Βαθμολογήστε το αποτέλεσμα και γράψτε με διαφάνεια. Παρέχετε μια σαφή ετυμηγορία και τα αποδεικτικά στοιχεία που οδηγούν σε αυτήν, όπως «αληθινή», «παραπλανητική», «μερικώς αληθινή», «ανεπαρκή στοιχεία». Ο αναγνώστης πρέπει να δει πώς το επαληθεύετε.
Προσοχή: Ρωτήστε το AI "είναι αληθής αυτός ο ισχυρισμός;" Το να ρωτάς "είναι το πιο επικίνδυνο λάθος επιβεβαίωσης. Η τεχνητή νοημοσύνη μπορεί να παράγει ένα πειστικό "ναι/όχι" ή ακόμα και μια επινοημένη "πηγή". Χρησιμοποιήστε την τεχνητή νοημοσύνη ως ενορχηστρωτή διαδικασίας. Τα πρωταρχικά στοιχεία δίνουν την ετυμηγορία της αλήθειας.
Περιεχόμενο που δημιουργείται από AI και θετικά αποτελέσματα
Η τεχνητή νοημοσύνη έχει γίνει επίσης αντικείμενο επαλήθευσης: κείμενα, ήχοι και εικόνες μπορούν πλέον να παράγονται τεχνητά (το θέμα της επόμενης ενότητας). Έτσι, ο ελεγκτής πληροφοριών ρωτά "θα μπορούσε αυτό το περιεχόμενο να είναι προϊόν τεχνητής νοημοσύνης;" Προσθέτει την ερώτηση στη διαδικασία του. Τα εργαλεία ανίχνευσης τεχνητής νοημοσύνης παρέχουν καθοδήγηση, αλλά δεν αποτελούν πειστικά στοιχεία. Η πραγματική επαλήθευση αφορά και πάλι την πηγή, τα μεταδεδομένα και το πλαίσιο.
τρεις μίνι θήκες
Περίπτωση 1 — Παλιά εικόνα, νέα αξίωση. Ένας δημοσιογράφος έλαβε μια φωτογραφία μιας πυρκαγιάς που λέγεται ότι "λήφθηκε σήμερα σε αυτήν την πόλη". Έβαλε το AI να παράγει τα βήματα επαλήθευσης. Το πρώτο στοιχείο ήταν "αντίστροφη αναζήτηση εικόνων". Η αναζήτηση έδειξε ότι η ίδια φωτογραφία είχε δημοσιευτεί πριν από 3 χρόνια σε άλλη χώρα. Το οπτικό δεν κατάφερε να βγει στον αέρα. Ο δημοσιογράφος το μετέτρεψε σε έλεγχο στοιχείων.
Περίπτωση 2 — Ταχύτητα ανάλυσης της αξίωσης. Κατά τη διάρκεια μιας προεκλογικής περιόδου, ένας δημοσιογράφος έπρεπε να ελέγξει 12 αριθμητικά στοιχεία σε μια συνομιλία 1 λεπτού. Ο YZ χώρισε τη συνομιλία σε 12 ξεχωριστές αξιώσεις και δημιούργησε μια λίστα με "ποια επίσημη πηγή πρέπει να αναζητηθεί" για καθεμία. Ο δημοσιογράφος πήγε σε 12 πηγές. 4 απέδειξε με ανεξάρτητα στοιχεία ότι οι ισχυρισμοί ήταν παραπλανητικός. Το να κάνει το AI να κάνει την ανάλυση αντί να το κάνει χειροκίνητα εξοικονομήθηκε περίπου μία ώρα, αλλά ο δημοσιογράφος άνοιξε κάθε αποδεικτικό στοιχείο.
Περίπτωση 3 — Κατασκευασμένη πηγή. Για να επαληθεύσει έναν ισχυρισμό, ένας ασκούμενος ρωτά απευθείας την AI, "είναι αλήθεια, ποια είναι η πηγή;" ρώτησε. Το AI είπε «ναι» και παρείχε ένα όνομα αναφοράς και έναν σύνδεσμο. Ο συντάκτης άνοιξε τον σύνδεσμο: δεν υπήρχε τέτοια αναφορά. Αυτό μετατράπηκε σε μια περίπτωση εκπαίδευσης που έδειξε στην ομάδα γιατί ο κανόνας «Μην ζητάτε ακρίβεια από την τεχνητή νοημοσύνη» είναι απόλυτος.
Αντιγράψιμα πρότυπα
1) Διαχωρισμός της αξίωσης σε στοιχεία:
Θα επιβεβαιώσω την παρακάτω πρόταση. Αναλύστε το σε αξιώσεις που μπορούν να επαληθευτούν ανεξάρτητα. Για κάθε αξίωση: (1) ποιες πληροφορίες πρόκειται να επαληθευτούν, (2) ποιος τύπος πρωτογενούς πηγής θα ήταν ο πιο αξιόπιστος, (3) σε ποιο σημείο θα ήταν παραπλανητικός. Μην λες ΑΛΗΘΕΙΑ/ΨΕΥΔΟ μόνος σου. Πρόταση: [εδώ]
2) Λίστα ελέγχου επαλήθευσης οπτικής/βίντεο:
Μια φωτογραφία ισχυρίζεται ότι έχει «τραβηχτεί σε τάδε μέρος σε μια τέτοια ημερομηνία». Αναφέρετε τα βήματα επαλήθευσης που θα έπρεπε να κάνω για να δοκιμάσω αυτόν τον ισχυρισμό: αντίστροφη αναζήτηση εικόνων, ενδείξεις τοποθεσίας (σήμανση, γλώσσα, αρχιτεκτονική), συνέπεια σκιάς/αέρα, ημερομηνία πρώτης δημοσίευσης. Γράψτε πώς να ακολουθήσετε κάθε βήμα. Φανταστείτε τι ξέρω για: [συνταγή]
3) Αφαίρεση όλων των αξιώσεων από το κείμενο:
Καταγράψτε ΚΑΘΕ πραγματικό ισχυρισμό στο παρακάτω κείμενο που απαιτεί επιβεβαίωση (αριθμοί, ημερομηνίες, αναφορές, εισαγωγικά, συγκρίσεις). Προτείνετε "ποια ανεξάρτητη πηγή θα πρέπει να επαληθευτεί" για το καθένα. Ξεχωριστή ερμηνεία και γεγονός. Αλλαγή κειμένου. Κείμενο: [εδώ]
4) Τεστ ανεξαρτησίας:
Βρήκα 3 πηγές για τον ακόλουθο ισχυρισμό: [συνοψίστε τις πηγές]. Ποιες ερωτήσεις πρέπει να κάνω για να αξιολογήσω εάν αυτές είναι πραγματικά ΑΝΕΞΑΡΤΗΤΕΣ ή διπλότυπες/βασίζονται σε μία μόνο αρχική πηγή; Αποφασιστική λήψη αποφάσεων. εμφανίζονται ερωτήσεις ελέγχου.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή: "Είναι αληθής αυτός ο ισχυρισμός; Δώστε την πηγή σας."
Αποτέλεσμα: Η τεχνητή νοημοσύνη παράγει μια πειστική ετυμηγορία και συχνά μια κατασκευασμένη πηγή. Ο δημοσιογράφος πέφτει σε ψεύτικη εμπιστοσύνη.
Ισχυρή προτροπή: "Διαχωρίστε αυτόν τον ισχυρισμό σε ανεξάρτητα επαληθεύσιμα στοιχεία. Για κάθε στοιχείο, γράψτε ποιον τύπο ΚΥΡΙΑ πηγή πρέπει να αναζητήσω και, εάν είναι παραπλανητικός, σε ποιο σημείο μπορεί να είναι. ΔΕΝ κρίνετε τον ισχυρισμό. Θα τον επαληθεύσω από την πηγή."
Διαφορά: Η ισχυρή προτροπή μειώνει την τεχνητή νοημοσύνη σε επεξεργαστή διαδικασίας, την εμποδίζει να παράγει κατασκευασμένη "πηγή/κρίση" και διατηρεί την ευθύνη των αποδεικτικών στοιχείων στον δημοσιογράφο.
γράφημα σύγκρισης
Τύπος αξίωσης
Συνεισφορά του AI
πρωτογενή στοιχεία
παγίδα
αριθμητικά δεδομένα
Αναλύει, συνιστά πηγές
Επίσημο αρχείο/αναφορά
% της τεχνητής νοημοσύνης
Παράθεση/απόδοση
Χωρίζεται σε εξαρτήματα
Πρωτότυπο αρχείο/έγγραφο
βγήκε εκτός πλαισίου
Εικόνα/βίντεο
λίστα ελέγχου
Αντίστροφη αναζήτηση, μεταδεδομένα
Παλιά οπτική-νέα αξίωση
λογαριασμός στα μέσα κοινωνικής δικτύωσης
Παραθέτει τι πρέπει να αναζητήσετε
Ιστορικό λογαριασμού, συνέπεια
Λογαριασμός απομίμησης/bot
έγγραφο
Σημειώνει ύποπτα σημεία
Πηγή, μεταδεδομένα, υπογραφή
Ψεύτικο/φανταστικό έγγραφο
Συνήθη λάθη
- Ρωτώντας την τεχνητή νοημοσύνη για την ακρίβεια. «Είναι αλήθεια αυτό; Η ερώτηση παράγει κατασκευασμένες κρίσεις και πηγές. Το AI δεν παρέχει στοιχεία.
- Οι πόροι αντιγραφής υπολογίζονται ως "δύο πόροι". Οι ιστότοποι που μεταφέρουν ο ένας τον άλλον δεν είναι ανεξάρτητοι. Παραβιάζει την αρχή της διασταυρούμενης επιβεβαίωσης.
- Μην κάνετε αναζήτηση στην εικόνα αντίστροφα. Η παρουσίαση μιας παλιάς εικόνας ως νέας είναι η πιο κοινή παραπληροφόρηση.
- Παράλειψη πλαισίου. Η παραπλάνηση δίνοντας μια ακριβή προσφορά σε λάθος πλαίσιο είναι επίσης ένα σφάλμα ελέγχου γεγονότων.
- Μη διαφανής. Μια επιβεβαίωση που δεν δείχνει στον αναγνώστη πώς επιβεβαιώνεται δεν εμπνέει εμπιστοσύνη.
Αξιολόγηση και διαφανής γλώσσα της επιβεβαίωσης
Η επιβεβαίωση εμφανίζεται συχνά στη γκρίζα περιοχή μεταξύ «αληθούς» και «ψευδής». Ένας καλός έλεγχος στοιχείων μεταφράζει αυτό το γκρι σε σαφείς κατηγορίες. Μια κοινή κλίμακα είναι: Σωστό (ισχυρισμός που υποστηρίζεται από πρωτογενή στοιχεία), Εν μέρει αληθής (εν μέρει αληθής αλλά λείπει ή παραμορφώνεται), Παραπλανητικός (δημιουργεί λανθασμένη εντύπωση με ένα τεχνικά σωστό στοιχείο), Λάθος (διαψεύδεται με στοιχεία) και Ανεπαρκή στοιχεία (δεν μπορεί ούτε να επιβεβαιωθεί ούτε να διαψευσθεί). Η τελευταία κατηγορία είναι κρίσιμη: μόνο και μόνο επειδή δεν μπορείτε να αντικρούσετε έναν ισχυρισμό δεν τον κάνει αληθινό. Το να λες "τα στοιχεία είναι ανεπαρκή" είναι επίσης ειλικρινής έλεγχος γεγονότων και είναι καλύτερο από το να πουλάς ψευδή βεβαιότητα στον αναγνώστη.
Εκτός από την αξιολόγηση, το γεγονός ότι οι ειδήσεις επιβεβαίωσης δείχνουν το ίχνος αποδεικτικών στοιχείων αποτελεί τη βάση της εμπιστοσύνης. Ο αναγνώστης θα πρέπει να μπορεί να δει ποιο έγγραφο εξετάζεται, ποια πηγή μιλάει, τι αποκαλύπτει η αντίστροφη αναζήτηση. Δεν αρκεί να πούμε «ερευνήσαμε και αποδείχθηκε λάθος». Εδώ η τεχνητή νοημοσύνη μπορεί να σας βοηθήσει να μετατρέψετε τη διαδικασία ελέγχου δεδομένων σας σε ένα πλέγμα αποδεικτικών στοιχείων: κάθε ισχυρισμός, τα στοιχεία στα οποία βασίζεται και η βαθμολογία που δίνεται, όλα μαζί. Ένας τέτοιος πίνακας διευκολύνει τη δουλειά του συντάκτη στην εσωτερική επεξεργασία και επιτρέπει στον αναγνώστη να εμπιστευτεί την επιβεβαίωση όταν δημοσιεύεται. Θυμηθείτε: ο σκοπός του ελέγχου γεγονότων δεν είναι απλώς να συλλάβει το ψέμα, αλλά να κάνει τις ακριβείς πληροφορίες ορατές και ανιχνεύσιμες.
Συνοπτικά
Η επαλήθευση είναι η διάσπαση του ισχυρισμού στα στοιχεία του, η εύρεση πρωταρχικών αποδεικτικών στοιχείων για το καθένα, η δοκιμή της εικόνας και της πηγής, η διεξαγωγή ανεξάρτητου διασταυρωτικού ελέγχου και η εγγραφή του αποτελέσματος με διαφάνεια. Στη διαδικασία, η τεχνητή νοημοσύνη αναλύει τον ισχυρισμό, δημιουργεί λίστες ελέγχου, προτείνει πού να κοιτάξετε — αλλά ποτέ δεν κάνει κρίσεις αλήθειας ή δεν παράγει πηγές. Ο πιο δύσκολος κανόνας: Ρωτήστε την τεχνητή νοημοσύνη "είναι αλήθεια;" Δεν ζητείται? Τα στοιχεία προέρχονται από την πρωτογενή πηγή, το χέρι του δημοσιογράφου.
Εργασία εφαρμογής
Επιλέξτε μια αξίωση ή εικόνα που κυκλοφορεί στα μέσα κοινωνικής δικτύωσης. Ακολουθήστε τις προτροπές «Διάσπαση της αξίωσης σε στοιχεία» και (εάν είναι οπτική) «Λίστα ελέγχου οπτικής επαλήθευσης». Αναζήτηση για κάθε στοιχείο που εξάγει το AI στην πραγματική πρωτογενή πηγή. Βαθμολογήστε το αποτέλεσμα ως "αληθινό / παραπλανητικό / μερικώς / ανεπαρκή στοιχεία" και γράψτε πώς το επαληθεύσατε σε 5 στοιχεία.
λίστα ελέγχου
- [ ] Διαχωρίζω την αξίωση σε ανεξάρτητα στοιχεία και επαληθεύω το καθένα ξεχωριστά.
- [ ] Δεν ζητώ από το AI να κρίνει την αλήθεια. Βρίσκω τα στοιχεία από την πρωτογενή πηγή.
- [ ] Δοκιμάζω εικόνες με αντίστροφη αναζήτηση και ενδείξεις τοποθεσίας.
- [ ] Επιβεβαιώνω τον κρίσιμο ισχυρισμό με τουλάχιστον δύο πραγματικά ανεξάρτητες πηγές.
- [ ] Δείχνω με διαφάνεια στον αναγνώστη τον τρόπο επαλήθευσης.