शोधकर्ताओं का कहना है कि misinformation मॉडल उन लोगों को नज़रअंदाज़ करते हैं जो झूठे दावों को आगे बढ़ाए रखते हैं

एक अध्ययन का ध्यान सामग्री बनाने वालों से बार-बार साझा करने वालों की ओर मुड़ता है

misinformation व्यवहार पर एक नया अध्ययन तर्क देता है कि सोशल मीडिया शोध ने झूठे दावों की उत्पत्ति की जांच में बहुत अधिक समय लगाया है और उन लोगों पर पर्याप्त ध्यान नहीं दिया है जो उन दावों को बार-बार आगे बढ़ाते रहते हैं। Phys.org द्वारा रिपोर्ट किया गया यह काम, International Journal of Enterprise Network Management में प्रकाशित शोध पर आधारित है, और एक ऐसा मॉडल प्रस्तुत करता है जो समझाता है कि उपयोगकर्ता व्यवहार कैसे भ्रामक जानकारी को बार-बार फैलने में मदद करता है।

मूल तर्क सीधा है: misinformation केवल इसलिए नहीं फैलती कि कोई उसे बनाता है। वह इसलिए फैलती है क्योंकि बड़ी संख्या में लोग उस पर भरोसा करने, उसे दोहराने, और अपने नेटवर्क में उसे फिर से जीवन देने का निर्णय लेते हैं। यह अंतर उन तरीकों पर व्यापक प्रभाव डालता है जिनसे प्लेटफ़ॉर्म, नीति-निर्माता, शिक्षक, और fact-checkers झूठे या अप्रमाणित दावों के प्रवाह को धीमा करने की कोशिश करते हैं।

शोधकर्ताओं का कहना है कि जानकारी प्राप्त करने वालों का व्यवहार पहले के काम में कम आंका गया है। अध्ययन अक्सर नेटवर्क संरचना, भ्रामक कथनों को शुरू करने वाले खातों, या virality के तंत्र पर केंद्रित रहे हैं। यह नया विश्लेषण इसके बजाय उन मानवीय निर्णयों को देखता है जो exposure को amplification में बदलते हैं।

संकट के समय यह क्यों मायने रखता है

यह शोध विशेष रूप से आपात स्थितियों और आपदा परिस्थितियों पर जोर देता है। संकट के दौरान लोग अक्सर ताज़ा अपडेट, चेतावनियों, तस्वीरों और प्रत्यक्षदर्शी खातों के लिए सोशल प्लेटफ़ॉर्म पर भरोसा करते हैं। ऐसा माहौल भ्रामक जानकारी के फैलने के लिए आदर्श परिस्थितियाँ बनाता है: उपयोगकर्ता दबाव में होते हैं, आधिकारिक जानकारी अधूरी हो सकती है, और भावनात्मक पोस्ट इतनी तात्कालिक लग सकती हैं कि लोग उन्हें सत्यापित किए बिना साझा कर दें।

ऐसी परिस्थितियों में, एक झूठ केवल मूल प्रकाशन से नहीं, बल्कि सामान्य उपयोगकर्ताओं द्वारा बार-बार फिर से साझा किए जाने से गति पकड़ सकता है, जो सोचते हैं कि वे मददगार, रक्षात्मक, या नागरिक कर्तव्य निभा रहे हैं। यही व्यवहार इस अध्ययन ने अधिक स्पष्ट रूप से पकड़ने की कोशिश की है।

शोध का सुझाव है कि केवल बुरे actors की पहचान करने या स्पष्ट रूप से झूठी पोस्ट हटाने पर केंद्रित interventions समस्या के बड़े हिस्से को चूक सकते हैं। अगर repeat-sharing व्यवहार एक प्रमुख चालक है, तो platform responses को उन incentives, trust signals, और decision patterns को संबोधित करना होगा जो उपयोगकर्ताओं को misinformation आगे बढ़ाने के लिए प्रेरित करते हैं।

शोधकर्ताओं ने क्या बनाया

स्रोत पाठ के अनुसार, शोधकर्ताओं ने दो approaches को जोड़ा। पहला, उन्होंने trust और belief patterns से जुड़े evidence की समीक्षा की जो यह प्रभावित करते हैं कि उपयोगकर्ता misinformation साझा करेंगे या नहीं। दूसरा, उन्होंने user behavior का विश्लेषण करने के लिए unsupervised machine learning का उपयोग किया। इसके आधार पर, उन्होंने एक conceptual model विकसित किया जो उन behavioral patterns की पहचान करने में मदद करता है जो बार-बार झूठी जानकारी साझा करने वाले उपयोगकर्ताओं से जुड़े हो सकते हैं।

इसका अर्थ यह नहीं है कि अध्ययन ने misinformation फैलाने वालों का एक सार्वभौमिक detector तैयार कर लिया है, और न ही दिए गए पाठ में यह दावा किया गया है कि वह किसी व्यक्ति के व्यवहार की निश्चित भविष्यवाणी कर सकता है। दावा अधिक संकीर्ण है, लेकिन फिर भी महत्वपूर्ण: मॉडल उन पैटर्नों को मैप करता है जो समझा सकते हैं कि कुछ उपयोगकर्ता बार-बार प्रसार श्रृंखला का हिस्सा क्यों बनते हैं।

यह एक महत्वपूर्ण अंतर है। व्यावहारिक रूप से, व्यवहार-आधारित मॉडल का उपयोग केवल enforcement या moderation निर्णयों के लिए नहीं, बल्कि product design के लिए भी किया जा सकता है। प्लेटफ़ॉर्म ऐसे prompts, friction mechanisms, या context cues का परीक्षण कर सकते हैं जो उन क्षणों के लिए अनुकूलित हों जब उपयोगकर्ता संदिग्ध सामग्री को फिर से साझा करने की सबसे अधिक संभावना रखते हैं।

सिर्फ fact-checking से आगे

अध्ययन के सबसे उपयोगी निहितार्थों में से एक यह है कि misinformation नियंत्रण को सरल true-or-false ढाँचे से आगे बढ़ना पड़ सकता है। fact-checking महत्वपूर्ण बना रहता है, लेकिन शोध एक व्यापक प्रणाली की ओर इशारा करता है जिसमें उपयोगकर्ता मनोविज्ञान, भरोसा, और आदतों को केंद्रीय चर माना जाता है।

इससे संभावित उपयोगों की एक श्रृंखला खुलती है, जैसा कि स्रोत सामग्री में बताया गया है। ये निष्कर्ष platform policies में सुधार, media literacy programs को समर्थन, fact-checking initiatives को मजबूत करने, और भ्रामक जानकारी के प्रसार को कम करने के लिए बने moderation systems को दिशा देने में मदद कर सकते हैं। ये ऑनलाइन साझा की गई जानकारी में सार्वजनिक विश्वास बहाल करने में भी योगदान दे सकते हैं।

इनमें से हर उपयोग के लिए conceptual model से deployed practice तक अनुवाद की आवश्यकता होगी। उदाहरण के लिए, एक media literacy program सिर्फ़ स्पष्ट रूप से नकली headlines पहचानने पर नहीं, बल्कि उन भावनात्मक या सामाजिक triggers को पहचानने पर ध्यान दे सकता है जो उपयोगकर्ताओं को जल्दी repost करने के लिए प्रेरित करते हैं। एक platform policy टीम, दूसरी ओर, ऐसे क्षणों की पहचान के लिए इन निष्कर्षों का उपयोग कर सकती है जब अतिरिक्त context या sharing friction takedowns से अधिक प्रभावी हो।

शोध में किस खालीपन को भरने की कोशिश की जा रही है

अध्ययन वर्तमान साहित्य में एक gap बताता है: creators और networks पर बहुत ज़ोर है, receivers और repeat disseminators पर बहुत कम। यह आलोचना इस बात को दर्शाती है कि ऑनलाइन ecosystem को लेकर शोधकर्ता increasingly कैसे सोच रहे हैं। सूचना प्रवाह केवल top-down नहीं होते। वे लगातार उपयोगकर्ताओं द्वारा remix और recirculate किए जाते हैं, जिनकी पहचान अत्यंत प्रभावशाली खातों से लेकर छोटे लेकिन भरोसेमंद circles वाले साधारण लोगों तक फैली होती है।

ऐसे माहौल में, repetition लगभग origin जितनी ही महत्वपूर्ण है। एक झूठा दावा जो छोटा शुरू होता है, वह तब शक्तिशाली बन सकता है जब बहुत-से परिचित voices उसे सामाजिक रूप से मान्यता दें। misinformation को बार-बार फैलाने वाले उपयोगकर्ताओं पर ध्यान देकर, यह पेपर समस्या को अलग-थलग धोखाधड़ी नहीं, बल्कि वितरित व्यवहार के रूप में पुनर्परिभाषित करता है।

यह framing विशेष रूप से तब प्रासंगिक हो सकती है जब प्लेटफ़ॉर्म recommendation systems और algorithmic ranking पर अधिक निर्भर हों। चाहे कोई प्लेटफ़ॉर्म एक भ्रामक मूल पोस्ट की पहुँच कम भी कर दे, उपयोगकर्ता उसी दावे को screenshots, paraphrases, replies, या नई posts में दोहरा सकते हैं। इसलिए, उस चक्र को आगे बढ़ाने वाले लोगों को समझना किसी भी स्थायी intervention के लिए crucial हो सकता है।

सीमाएँ और अगले सवाल

दिया गया लेख अध्ययन को उच्च स्तर पर प्रस्तुत करता है, इसलिए implementation के लिए महत्वपूर्ण कई सवाल अनुत्तरित रह जाते हैं। इसमें dataset का आकार, machine-learning system ने किन exact features का विश्लेषण किया, या मॉडल विभिन्न platforms और भाषाओं में कैसा प्रदर्शन करता है, यह नहीं बताया गया है। यह भी स्थापित नहीं किया गया कि वही behavioral cues disaster contexts के बाहर समान रूप से लागू होंगे।

ये सीमाएँ योगदान के मूल्य को कम नहीं करतीं। वे केवल यह स्पष्ट करती हैं कि यह काम क्या है: एक model-building study जो misinformation spread को देखने का नया lens देती है, न कि तैयार operational solution। शोधकर्ताओं और platform designers के लिए यह उस ecosystem के हिस्से की ओर ध्यान मोड़ने के लिए पर्याप्त हो सकता है जिसे कम विस्तार से मैप किया गया है।

misinformation के फैलने की अधिक यथार्थवादी समझ

इस अध्ययन से सबसे मजबूत निष्कर्ष यह है कि misinformation केवल उत्पादन की समस्या नहीं है। यह भागीदारी की समस्या भी है। झूठे दावे तब ताकत पाते हैं जब उपयोगकर्ता उन पर भरोसा करते हैं, उन्हें दोहराते हैं, और sharing की साधारण क्रियाओं के माध्यम से उन्हें सामान्य बनाते हैं। उस प्रक्रिया के पीछे के व्यवहारिक पैटर्न को पहचानने की कोशिश करके, शोधकर्ता इस क्षेत्र को इस बात की अधिक यथार्थवादी समझ की ओर ले जा रहे हैं कि digital misinformation कैसे जीवित रहती है।

अगर यह बदलाव कायम रहता है, तो भविष्य की anti-misinformation रणनीतियाँ कुछ originators का पीछा करने के बजाय उन repeated choices को बाधित करने पर अधिक केंद्रित हो सकती हैं जो किसी झूठ को आगे बढ़ाए रखती हैं। संकट-प्रधान सूचना वातावरण में, शायद सबसे बड़े लाभ अभी भी यहीं उपलब्ध हैं।

अध्ययन किससे जुड़ी मदद का दावा करता है

• सोशल मीडिया platform policy design
• Media literacy और digital education प्रयास
• Fact-checking workflows
• भ्रामक जानकारी की पुनरावृत्ति कम करने वाले moderation systems
• आपात स्थितियों में ऑनलाइन जानकारी पर भरोसा बनाने के प्रयास

यह लेख Phys.org की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.