গবেষকেরা বলছেন, misinformation মডেলগুলো ভুল দাবিগুলো ছড়িয়ে রাখতে থাকা মানুষদের উপেক্ষা করে

বিষয়বস্তু নির্মাতাদের থেকে বারবার শেয়ারকারীদের দিকে দৃষ্টি সরে যাচ্ছে

misinformation আচরণ নিয়ে নতুন এক গবেষণা বলছে, সামাজিক মাধ্যম গবেষণা মিথ্যা দাবিগুলো কোথা থেকে আসে তা দেখার পেছনে খুব বেশি সময় ব্যয় করেছে, কিন্তু যারা সেই দাবিগুলো বারবার ছড়িয়ে দেন তাদের ওপর যথেষ্ট মনোযোগ দেয়নি। Phys.org–এ প্রকাশিত এবং International Journal of Enterprise Network Management–এ প্রকাশিত গবেষণার ভিত্তিতে করা এই কাজটি এমন একটি model প্রস্তাব করে যা বোঝায়, ব্যবহারকারীর আচরণ কীভাবে বিভ্রান্তিকর তথ্যকে বারবার ছড়িয়ে পড়তে সাহায্য করে।

মূল যুক্তি সহজ: misinformation শুধু তাই ছড়ায় না যে কেউ তা তৈরি করে। এটি ছড়ায় কারণ বিপুলসংখ্যক মানুষ সেটিকে বিশ্বাস করে, পুনরাবৃত্তি করে, এবং নিজের network-এর মধ্যে তাকে নতুন জীবন দেয়। এই পার্থক্য platform, policymaker, educator, এবং fact-checker-দের জন্য false বা unverified claims-এর প্রবাহ ধীর করার কৌশলে বড় প্রভাব ফেলে।

গবেষকেরা বলছেন, তথ্য গ্রহণকারীদের আচরণ আগের কাজে কম গুরুত্ব পেয়েছে। গবেষণাগুলো প্রায়ই network structure, বিভ্রান্তিকর narrative শুরু করা account, বা virality-র mechanics-এর ওপর কেন্দ্রীভূত ছিল। এই নতুন বিশ্লেষণ বরং exposure-কে amplification-এ রূপান্তর করা মানবিক সিদ্ধান্তগুলোর দিকে তাকায়।

সংকটের সময় কেন এটি গুরুত্বপূর্ণ

পেপারটি বিশেষভাবে জরুরি অবস্থা এবং দুর্যোগ পরিস্থিতিকে গুরুত্ব দিয়েছে। সংকটের সময় মানুষ দ্রুত বদলে যাওয়া তথ্যের উৎস হিসেবে social platform-এর ওপর নির্ভর করে updates, warning, ছবি, এবং eyewitness account-এর জন্য। এমন পরিবেশ ভুল তথ্য ছড়ানোর জন্য আদর্শ: ব্যবহারকারীরা চাপের মধ্যে থাকেন, অফিসিয়াল তথ্য অসম্পূর্ণ হতে পারে, এবং আবেগপূর্ণ পোস্টগুলো যাচাইয়ের আগেই শেয়ার করার মতো জরুরি মনে হতে পারে।

এমন অবস্থায়, একটি মিথ্যা কেবল মূল প্রকাশনার মাধ্যমে নয়, বরং সাধারণ ব্যবহারকারীদের বারবার পুনঃশেয়ারের মাধ্যমে গতি পেতে পারে, যারা মনে করেন তারা সাহায্য করছেন, সুরক্ষা দিচ্ছেন, বা নাগরিকসুলভ কাজ করছেন। সেই আচরণই এই গবেষণা আরও স্পষ্টভাবে ধরতে চায়।

শুধু bad actor চিহ্নিত করা বা স্পষ্টভাবে ভুল পোস্ট সরানোর উপর কেন্দ্রীভূত intervention সমস্যার বড় অংশটি মিস করতে পারে বলে গবেষণাটি ইঙ্গিত দেয়। যদি repeat-sharing আচরণ মূল চালক হয়, তাহলে platform response-কে সেই incentive, trust signal, এবং decision pattern-ও address করতে হবে যা ব্যবহারকারীদের misinformation এগিয়ে দিতে উৎসাহিত করে।

গবেষকেরা কী তৈরি করেছেন

উৎস পাঠ অনুযায়ী, গবেষকেরা দুইটি approach মিলিয়েছেন। প্রথমে, ব্যবহারকারীরা misinformation share করবেন কি না তা প্রভাবিত করে এমন trust এবং belief pattern-সংক্রান্ত evidence তারা পর্যালোচনা করেছেন। দ্বিতীয়ত, user behavior বিশ্লেষণে unsupervised machine learning ব্যবহার করেছেন। সেখান থেকে তারা একটি conceptual model তৈরি করেছেন, যা বারবার ভুল তথ্য শেয়ার করতে প্রবণ ব্যবহারকারীদের সঙ্গে যুক্ত behavioral pattern চিহ্নিত করতে সাহায্য করতে পারে।

এতে এই অর্থ নয় যে গবেষণাটি misinformation spreader-দের জন্য একটি universal detector তৈরি করে ফেলেছে, এবং দেওয়া পাঠেও ব্যক্তিগত আচরণ নির্ভুলভাবে ভবিষ্যদ্বাণী করতে পারে এমন দাবি করা হয়নি। দাবিটি আরও সীমিত, কিন্তু তাৎপর্যপূর্ণ: model কিছু pattern ম্যাপ করে যা ব্যাখ্যা করতে পারে কেন নির্দিষ্ট ব্যবহারকারীরা বারবার circulation chain-এর অংশ হয়ে ওঠেন।

এটি একটি গুরুত্বপূর্ণ পার্থক্য। ব্যবহারিক দৃষ্টিতে, behavior-based model enforcement বা moderation সিদ্ধান্তের পাশাপাশি product design-এও ব্যবহার করা যেতে পারে। platform-গুলো এমন prompt, friction mechanism, বা context cue পরীক্ষা করতে পারে যা ব্যবহারকারীরা সন্দেহজনক content re-share করার সময় সবচেয়ে বেশি প্রবণ হন সেই মুহূর্তগুলোর জন্য তৈরি।

Fact-checking-এর বাইরেও

গবেষণার সবচেয়ে কার্যকর ইঙ্গিতগুলোর একটি হলো, misinformation নিয়ন্ত্রণকে সরল true-or-false framework-এর বাইরে যেতে হতে পারে। fact-checking গুরুত্বপূর্ণ থাকলেও, গবেষণাটি বৃহত্তর একটি ব্যবস্থার দিকে ইঙ্গিত করে যেখানে user psychology, trust, এবং habit-কে কেন্দ্রীয় ভেরিয়েবল ধরা হয়।

এতে source material-এ বর্ণিত বেশ কিছু প্রয়োগের দরজা খুলে যায়। এই finding platform policy উন্নত করা, media literacy program সমর্থন করা, fact-checking initiative জোরদার করা, এবং বিভ্রান্তিকর তথ্যের circulation কমাতে moderation system-কে নির্দেশনা দিতে সাহায্য করতে পারে। এটি অনলাইনে ভাগ করা তথ্যে জনবিশ্বাস পুনর্গঠনে সহায়তাও করতে পারে।

এইসব ব্যবহারের প্রতিটিতে concept model-কে বাস্তব প্রয়োগে রূপান্তর করতে হবে। উদাহরণস্বরূপ, media literacy program-এ স্পষ্ট fake headline শনাক্ত করার বদলে ব্যবহারকারীদের এমন emotional বা social trigger চিনতে শেখানো যেতে পারে যা দ্রুত re-share করতে ঠেলে দেয়। platform policy team আবার এই finding ব্যবহার করে বুঝতে পারে কোথায় অতিরিক্ত context বা sharing friction takedown-এর চেয়ে বেশি কার্যকর।

গবেষণাটি কোন ফাঁক পূরণ করতে চাইছে

অধ্যয়নটি বর্তমান literature-এ একটি gap চিহ্নিত করেছে: creator এবং network-এর ওপর অতিরিক্ত জোর, receiver এবং repeat disseminator-এর ওপর খুব কম। এই সমালোচনা অনলাইন ecosystem সম্পর্কে গবেষকেরা increasingly কীভাবে ভাবছেন তা দেখায়। তথ্যপ্রবাহ কেবল top-down নয়। এটি users-এর মাধ্যমে ক্রমাগত remix ও recirculate হয়, যাদের পরিচয় অত্যন্ত প্রভাবশালী account থেকে শুরু করে ছোট কিন্তু বিশ্বস্ত circle-সহ সাধারণ মানুষ পর্যন্ত বিস্তৃত।

এমন পরিবেশে repetition মূল উৎসের প্রায় সমান গুরুত্বপূর্ণ। একটি ছোট মিথ্যা দাবি বহু পরিচিত কণ্ঠস্বর সামাজিকভাবে তা বৈধতা দিলে শক্তিশালী হয়ে উঠতে পারে। বারবার misinformation ছড়ানো ব্যবহারকারীদের দিকে নজর দিয়ে পেপারটি সমস্যাটিকে বিচ্ছিন্ন প্রতারণা নয়, বরং distributed behavior হিসেবে পুনর্নির্ধারণ করছে।

platform যখন recommendation system এবং algorithmic ranking-এ আরও নির্ভরশীল হচ্ছে, তখন এই framing বিশেষভাবে প্রাসঙ্গিক। platform একটি বিভ্রান্তিকর original post-এর reach কমালেও, ব্যবহারকারীরা screenshots, paraphrase, reply, বা নতুন post-এর মাধ্যমে একই দাবি পুনরায় তৈরি করতে পারেন। তাই সেই চক্রকে চালিয়ে নেওয়া মানুষদের বোঝা যেকোনও দীর্ঘস্থায়ী intervention-এর জন্য অত্যন্ত গুরুত্বপূর্ণ হতে পারে।

সীমাবদ্ধতা এবং পরের প্রশ্ন

দেওয়া নিবন্ধটি গবেষণাটিকে উচ্চ স্তরে উপস্থাপন করেছে, ফলে implementation-এর জন্য গুরুত্বপূর্ণ বেশ কয়েকটি প্রশ্ন খোলা রয়ে গেছে। এতে dataset-এর আকার, machine-learning system ঠিক কোন feature বিশ্লেষণ করেছে, বা বিভিন্ন platform ও ভাষায় model-এর কর্মক্ষমতা কেমন—এসব বলা হয়নি। disaster context-এর বাইরে একই behavioral cue সমানভাবে কাজ করবে কি না তাও স্থির করা হয়নি।

এই সীমাবদ্ধতাগুলো অবদানের মূল্য কমায় না। এগুলো শুধু স্পষ্ট করে এটা কী ধরনের কাজ: misinformation spread বোঝার জন্য একটি নতুন lens দেওয়া model-building study, কোনও সম্পূর্ণ operational solution নয়। গবেষক এবং platform designer-দের জন্য, এটি ecosystem-এর এমন একটি অংশের দিকে নজর ফেরাতে যথেষ্ট হতে পারে যা তুলনামূলকভাবে কম মানচিত্রিত।

ভুল তথ্য কীভাবে ছড়ায়, তার আরও বাস্তবসম্মত ছবি

এই গবেষণার সবচেয়ে শক্তিশালী takeaway হলো, misinformation শুধু উৎপাদনের সমস্যা নয়। এটি অংশগ্রহণের সমস্যাও। ব্যবহারকারীরা যখন মিথ্যা দাবি বিশ্বাস করেন, পুনরাবৃত্তি করেন, এবং sharing-এর দৈনন্দিন কাজের মাধ্যমে সেগুলোকে স্বাভাবিক করে তোলেন, তখনই সেগুলো শক্তি পায়। সেই প্রক্রিয়ার পেছনের behavioral pattern শনাক্ত করার চেষ্টা করে গবেষকেরা digital misinformation কীভাবে বেঁচে থাকে, তার আরও বাস্তবসম্মত ব্যাখ্যার দিকে ক্ষেত্রটিকে ঠেলে দিচ্ছেন।

এই পরিবর্তন যদি স্থায়ী হয়, তাহলে ভবিষ্যতের anti-misinformation strategy কয়েকজন originator-কে খোঁজার বদলে সেই repeated choice-গুলো থামাতে বেশি মনোযোগী হতে পারে, যেগুলো একটি মিথ্যাকে চলমান রাখে। সংকটকেন্দ্রিক তথ্য পরিবেশে, সবচেয়ে বড় লাভ হয়তো এখানেই এখনও পাওয়া যেতে পারে।

গবেষণাটি কী কাজে লাগতে পারে বলে দাবি করছে

• সামাজিক মাধ্যম platform policy design
• Media literacy এবং digital education উদ্যোগ
• Fact-checking workflow
• ভুল তথ্যের পুনঃপ্রচলন কমাতে moderation system
• জরুরি পরিস্থিতিতে অনলাইন তথ্যের ওপর আস্থা গঠন

এই নিবন্ধটি Phys.org-এর রিপোর্টিংয়ের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.