【人类才是传谣机器】Science刊发最大规模社交网络假新闻研究,人比机器更爱转发谣言

MIT 媒体实验室近日发表在Science的一项迄今最大规模的假新闻研究发现,在 Twitter 上不实消息被转发的概率比真相高 70%,真消息扩散至 1500 人所需的时间平均是不实消息的 6 倍。研究以海量数据揭示了假新闻的传播路径和传播特征——谣言比真相传得更远、更深、更快,而且每个人都是散播恐惧、厌恶的假新闻的放大器。

一项迄今最大规模的关于新闻在社交媒体上传播方式的研究,以海量数据揭示了假新闻的传播路径和传播特征——谣言比真相传得更远、更深、更快,而且每个人都是散播恐惧、厌恶的假新闻的放大器。

研究由 MIT 媒体实验室进行,发表在最新一期Science上。研究发现,与发表真实消息的推文相比,发表不实消息的推文被转发的概率高70%。其中有关政治的错误消息比其他类别的消息传播得更远。

MIT的数据科学家和社交媒体专家团队分析了 2006 年至 2017 年的12年间,被300万用户转发了 450 万次的 12.6 万篇报道后,得出这些令人反感的结论。

MIT媒体实验室的Soroush Vosoughi和Deb Royof,以及MIT斯隆管理学院的Sinan Aral在报告中写道:“在所有类别的信息中,不实新闻传播得更远、更快、更深,而且传播范围更广。”

他们补充说:“真实消息扩散至1500人所需的时间平均是假消息的6倍。

上面动图演示了真实消息和假新闻传播速度的对比。在继续说结论之前,让我们先看看该研究使用的术语定义。

研究人员将“新闻”定义为“在Twitter上发表的任何断言”。它可以是文字,照片或互联网上的文章链接。

研究人员有意避免使用争议性术语 “假新闻”(fake news),而使用 “不实新闻”(false news),这更便于客观查证。

他们将新闻分类为“真实”(true)或“虚假”(false)。如果一条推文被标记为“虚假”,并不意味着撰写推文的人试图欺骗,而只意味着推文中的断言不准确。

任何类型的新闻在Twitter上传播时,它就变成了“流言”(rumor)。

特定推文传播的模式是“流言级联”(rumor cascade)。如果一条推文在一条完整的链中被转发了10次,那么它就是一个大小为10的级联。如果两个人独立推送同一条消息,并且每条推文都在一个完整的链中被转发5次,那么就是两个流言级联,每个的大小是5。

研究人员使用这个框架来分析Twitter上的信息传播,他们分析了大约126000个流言级联。

对于每个级联,研究人员确定了级联的大小(即从开始到结束参与到级联的人数),深度(在单个不间断链中转发的数量),最大广度(任何深度的级联中最大数量的人)以及结构病毒式传播(衡量造成特定推文传播的人数)。谣言越是蔓延,上述四个因素越大。

以下是他们的发现:

  • 被“更多的人”转推的,通常包含虚假新闻的推文,而不是包含真实新闻的推文。
  • 真实消息在Twitter上传播到1500人的时间,比假消息长6倍
  • 基于真实新闻的传闻“极少”传播到1000人及以上。但是,至少有1%的基于假消息的流言,经常性地做到这一点
  • 研究人员查看了真假流言级联传播中最高的0.01%,并发现假消息比真消息在推文空间(Twittersphere)中传播深度要高8级(diffused eight hops deeper)。
  • 假新闻也更可能形成“病毒式传播”。因此,假新闻不仅转推链更长,而且更有可能分叉形成新的传播链。
  • 真消息的级联传播要达到10级(传播深度达到10),时间比假消息要长20倍。
  • 有关政治的谣言比所有其他话题更容易传播。其次是都市传说,再其次是商业,恐怖主义,科学,娱乐和自然灾害的话题。这些谣言最终都将传播给关心政治、都市传说和科学的大多数人。
  • 关于政治的假新闻,传播到两万人的速度,比其他类型的假新闻传播到1万人的速度快三倍。
  • 与传播真实新闻的人相比,传播虚假新闻的人更容易是Twitter新用户,粉丝较少,在社交媒体平台上活跃程度较低。

那么,究竟是什么让假消息比真实信息更吸引人呢?研究人员认为,答案是虚假新闻有更多新意,让人觉得更意外,也因此更有可能被转推。

研究人员通过研究随机选择的大约5000人的25,000条推文,并将其内容与其他人在过去60天内看到的推文进行比较。他们还检查了这些推文回复的情感内容,发现虚假推文引发了更多的惊讶和厌恶感。而真实的推文,得到的回复则更多表示悲伤和信任。

这三位研究人员制作了一张单独的地图,排除了所有可以用bot检测算法识别的假Twitter帐户。在消除以bot开始的流言后,也并没有改变虚假消息传播的模式。

假消息比真相传播得更远、更快、更深和更广泛,因为人类而不是bot更有可能转发假消息,”作者写道。

如果所有这些让你对未来感到绝望,Vosoughi,Roy和Aral建议你坚持下去。研究人员写道:“了解假新闻如何传播是控制假新闻的第一步。我们希望我们的工作能够启发对假新闻传播的原因和后果以及潜在应对方法的更大规模的研究。”

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2018-03-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏ATYUN订阅号

MIT突破:自我监督系统DON,机器人可在检查随机物体后理解它们并拾取

几十年来,装配线等受控环境中的机器人能够一次又一次地拾取同一物体。最近,计算机视觉的突破使机器人能够在物体之间进行基本区分。尽管如此,系统并没有真正理解物体的形...

772
来自专栏AI科技大本营的专栏

文因互联鲍捷:深度解析知识图谱发展关键阶段及技术脉络 | 公开课笔记

知识图谱是人工智能三大分支之一——符号主义——在新时期主要的落地技术方式。该技术虽然在 2012 年才得名,但它的历史渊源,却可以追溯到更早的语义网、描述逻辑、...

1235
来自专栏量子位

人工智能技术入门该读哪些书?StackOverflow上最推荐这些

王小新 编译整理 量子位 出品 | 公众号 QbitAI 学习人工智能相关技术该读什么书?这是量子位各个微信群中出现频率极高的问题。 今天,我们就从Dev-bo...

3964
来自专栏AI科技大本营的专栏

AI技术讲座精选:数学不好,也可以学习人工智能

【AI100导读】越来越多工程师想学习大热的深度学习,但深度学习技术需要数学功底,数学不好怎么办?这篇文章可以提供成为深度学习工程师的数学路径。 如果你像我一样...

3076
来自专栏AI科技评论

前沿 | 量子的飞跃:下一代D-Wave量子芯片计算速度能快1000倍

导读:量子计算机(Quantum Computer)是一种使用量子逻辑进行通用计算的设备。不同于电子计算机(或称传统电脑),量子计算机用来存储数据的对象是量子比...

3267
来自专栏AI科技评论

开发 | 入门深度学习,读对书很重要

AI科技评论按:本文作者为 Jeffries Consulting 创始人 Daniel Jeffries,他以自己的阅读体验,对当前含金量极高的几本深度学习书...

35511
来自专栏CreateAMind

AI Insight:放弃幻想,搞 AI 必须过数学关

从2012年“大数据”概念兴起到2016年人工智能大热,已经四五年时间了,该看的热闹看到了,该爆炒的话题炒够了,该沉淀的也沉下来了。现在越来越多的人已经放下质疑...

1293
来自专栏华章科技

机器学习进阶路上的五个境界

关于机器学习,这个话题最近实在太火了,甚至有些虚火了。有了虚火,就容易有泡沫。大浪淘沙,要想在数据科学这个行业生存下来,任何一个从业者都需要认清自己的位置,每上...

973
来自专栏数据猿

2017年十本必读的大数据&人工智能领域书籍,你都读过吗?

【数据猿导读】年关将至,回顾2017,小编记得自己曾在年初的时候给自己定下一个小目标——就是读30本书。然而随着春节的临近,小目标却成了遥不可及的梦。不知道在过...

71413
来自专栏机器人网

五本必读的深度学习圣经书籍,入门 AI 从「深度学习」开始

(以下以 Daniel Jeffries 第一人称撰写) 多年来,由于实验室研究和现实应用效果之间的鸿沟,少有人持续研究人工智能,AI 在很多领域停滞不前。...

3786

扫码关注云+社区