खोट्या माहितीला पुन्हा पसरवत ठेवणाऱ्या लोकांकडे मॉडेल्स दुर्लक्ष करतात, असे संशोधकांचे म्हणणे

सामग्री तयार करणाऱ्यांवरून वारंवार शेअर करणाऱ्यांकडे लक्ष वळते

misinformation वर्तनावरच्या एका नव्या अभ्यासात असा दावा केला आहे की सोशल मीडिया संशोधनाने खोटे दावे कुठून येतात यावर फार जास्त वेळ घालवला, पण ते दावे वारंवार पुढे पाठवणाऱ्या लोकांकडे पुरेसे लक्ष दिले नाही. Phys.org ने दिलेल्या अहवालानुसार, International Journal of Enterprise Network Management मध्ये प्रकाशित झालेल्या संशोधनावर आधारित हे काम वापरकर्त्यांचे वर्तन दिशाभूल करणारी माहिती पुन्हा पुन्हा कशी पसरते हे समजून घेण्यासाठी एक model सुचवते.

मूळ मुद्दा सोपा आहे: misinformation फक्त कोणी तयार केली म्हणून पसरत नाही. मोठ्या संख्येने लोक तिच्यावर विश्वास ठेवतात, तिला पुन्हा म्हणतात, आणि स्वतःच्या network मध्ये तिला पुन्हा जीवन देतात म्हणून ती पसरते. हा फरक platforms, policymakers, educators, आणि fact-checkers खोट्या किंवा अप्रमाणित दाव्यांचा प्रवाह कसा मंदावतात यावर मोठा परिणाम करतो.

माहिती घेणाऱ्या वापरकर्त्यांचे वर्तन पूर्वीच्या कामात कमी लेखले गेले आहे, असे संशोधक सांगतात. अभ्यास बहुतेकदा network structure, फसव्या कथनांना सुरूवात करणारे accounts, किंवा virality च्या mechanics वर केंद्रित राहिले आहेत. हे नवीन विश्लेषण मात्र exposure ला amplification मध्ये रूपांतरित करणाऱ्या मानवी निर्णयांकडे पाहते.

संकटाच्या काळात हे का महत्त्वाचे

या पेपरमध्ये आपत्कालीन आणि आपत्तीच्या परिस्थितींवर विशेष भर देण्यात आला आहे. संकटाच्या वेळी लोक updates, warnings, प्रतिमा, आणि eyewitness accounts साठी social platforms वर वेगाने बदलणाऱ्या माहितीच्या स्रोताप्रमाणे अवलंबून असतात. असे वातावरण दिशाभूल करणारी माहिती पसरायला योग्य स्थिती तयार करते: वापरकर्ते दडपणाखाली असतात, अधिकृत माहिती अपुरी असू शकते, आणि भावनिक पोस्ट पडताळणीपूर्वी share कराव्यात इतक्या तातडीच्या वाटू शकतात.

अशा परिस्थितीत, एक खोटेपणा फक्त मूळ प्रकाशनामुळे नाही, तर मदत करतो आहोत, संरक्षण करतो आहोत, किंवा नागरिक म्हणून योग्य वागतो आहोत असे समजणाऱ्या सामान्य वापरकर्त्यांकडून वारंवार पुन्हा share केल्यामुळे गती मिळवू शकतो. हाच वर्तनाचा नमुना हा अभ्यास अधिक स्पष्टपणे पकडण्याचा प्रयत्न करतो.

फक्त bad actors ओळखणे किंवा स्पष्टपणे खोट्या पोस्ट्स काढून टाकणे यावर आधारित interventions समस्येचा मोठा भाग चुकवू शकतात, असे संशोधन सूचित करते. जर repeat-sharing हेच प्रमुख driver असेल, तर platform responses ना वापरकर्त्यांना misinformation पुढे पाठवायला प्रवृत्त करणारे incentives, trust signals, आणि decision patterns यांवरही उपाय करावे लागतील.

संशोधकांनी काय तयार केले

स्रोत मजकुरानुसार, संशोधकांनी दोन approaches एकत्र केल्या. प्रथम, वापरकर्ते misinformation share करतात की नाही हे प्रभावित करणाऱ्या trust आणि belief patterns बाबतचे पुरावे त्यांनी तपासले. दुसरे, त्यांनी user behavior चे विश्लेषण करण्यासाठी unsupervised machine learning वापरले. त्यातून त्यांनी एक conceptual model तयार केले, जे वारंवार खोटी माहिती share करण्याची प्रवृत्ती असलेल्या वापरकर्त्यांशी संबंधित behavioral patterns ओळखण्यास मदत करू शकते.

याचा अर्थ असा नाही की या अभ्यासाने misinformation spreaders साठी सार्वत्रिक detector तयार केला आहे, आणि दिलेल्या मजकुरात व्यक्तिगत वर्तन अचूकपणे भाकीत करू शकतो असा दावा देखील केलेला नाही. दाव्याचा अर्थ अधिक मर्यादित, पण महत्त्वाचा आहे: model काही patterns नकाशित करतो जे स्पष्ट करू शकतात की काही वापरकर्ते वारंवार circulation chain चा भाग का बनतात.

हा एक महत्त्वाचा फरक आहे. प्रत्यक्षात, behavior-based model चा वापर enforcement किंवा moderation निर्णयांबरोबरच product design साठीही होऊ शकतो. प्लॅटफॉर्म्स वापरकर्ते संशयास्पद content पुन्हा share करण्याची शक्यता जास्त असते अशा क्षणांसाठी prompts, friction mechanisms, किंवा context cues चाचपून पाहू शकतात.

फक्त fact-checking पेक्षा पुढे

या अभ्यासाचा सर्वात उपयुक्त अर्थ असा की misinformation control ला साध्या true-or-false चौकटीपलीकडे जावे लागू शकते. fact-checking महत्त्वाचेच राहते, पण हे संशोधन वापरकर्ता मानसशास्त्र, विश्वास, आणि सवयी यांना केंद्रस्थानी ठेवणाऱ्या व्यापक प्रणालीकडे निर्देश करते.

यामुळे source material मध्ये नमूद केलेल्या अनेक applications ची दारे उघडतात. हे निष्कर्ष platform policies सुधारण्यासाठी, media literacy programs ला पाठबळ देण्यासाठी, fact-checking initiatives मजबूत करण्यासाठी, आणि misleading information ची circulation कमी करण्यासाठीच्या moderation systems ना दिशा देण्यासाठी उपयोगी पडू शकतात. ऑनलाइन शेअर होणाऱ्या माहितीकडे जनतेचा विश्वास पुन्हा निर्माण करण्यासही ते मदत करू शकतात.

या प्रत्येक वापरासाठी conceptual model ला प्रत्यक्ष अंमलबजावणीत रूपांतरित करणे आवश्यक आहे. उदाहरणार्थ, media literacy program स्पष्टपणे खोट्या headlines ओळखण्यावर कमी आणि वापरकर्त्यांना पटकन re-share करण्यास प्रवृत्त करणारे भावनिक किंवा सामाजिक trigger ओळखण्यावर अधिक भर देऊ शकते. platform policy team, उलट, takedowns पेक्षा अतिरिक्त context किंवा sharing friction कधी अधिक परिणामकारक असते हे समजण्यासाठी या निष्कर्षांचा वापर करू शकते.

हे संशोधन कोणती पोकळी भरू पाहते

अभ्यास सध्याच्या साहित्यामध्ये एक gap असल्याचे सांगतो: creators आणि networks वर खूप भर, receivers आणि repeat disseminators वर खूप कमी. ही टीका online ecosystems कडे संशोधक increasingly कसे पाहतात हे दर्शवते. माहितीचा प्रवाह फक्त top-down नसतो. तो वापरकर्त्यांकडून सतत remix आणि recirculate केला जातो, ज्यांची ओळख अत्यंत प्रभावशाली खात्यांपासून ते छोट्या पण विश्वासार्ह circles असलेल्या सामान्य लोकांपर्यंत पसरलेली असते.

अशा वातावरणात repetition त्याच्या origin इतकीच महत्त्वाची ठरते. एक खोटा दावा लहान सुरुवात करून, अनेक परिचित आवाजांनी त्याला सामाजिक मान्यता दिली तर शक्तिशाली बनू शकतो. वारंवार misinformation पसरवणाऱ्या वापरकर्त्यांवर लक्ष केंद्रित करून, हा paper समस्येला अलग केलेल्या फसवणुकीऐवजी distributed behavior म्हणून पुन्हा मांडतो.

platforms recommendation systems आणि algorithmic ranking वर अधिक अवलंबून राहू लागल्याने हे framing विशेषतः महत्त्वाचे ठरू शकते. एखाद्या प्लॅटफॉर्मने भ्रामक मूळ पोस्टची reach कमी केली तरी, वापरकर्ते त्याच दाव्याला screenshots, paraphrases, replies, किंवा नवीन posts मधून पुन्हा तयार करू शकतात. त्यामुळे, त्या चक्राला चालू ठेवणाऱ्या लोकांना समजून घेणे कोणत्याही टिकाऊ intervention साठी अत्यंत आवश्यक ठरू शकते.

मर्यादा आणि पुढचे प्रश्न

दिलेला लेख अभ्यास उच्च स्तरावर सादर करतो, त्यामुळे अंमलबजावणीसाठी महत्त्वाचे अनेक प्रश्न उघडे राहतात. dataset किती मोठा होता, machine-learning system ने नेमकी कोणती features तपासली, किंवा model विविध platforms आणि भाषांमध्ये कसा काम करतो हे तो सांगत नाही. disaster contexts बाहेरही तेच behavioral cues तितकेच लागू होतील का, हेही स्पष्ट झालेले नाही.

या मर्यादा योगदानाची किंमत कमी करत नाहीत. त्या फक्त इतके स्पष्ट करतात की हे काम काय आहे: misinformation spread पाहण्यासाठी एक नवा lens देणारा model-building study, पूर्ण operational solution नव्हे. संशोधक आणि platform designers साठी हे ecosystem च्या कमी नकाशित भागाकडे लक्ष वळवण्यासाठी पुरेसे ठरू शकते.

खोटी माहिती कशी फिरते याचे अधिक वास्तववादी चित्र

या अभ्यासातून सर्वात ठळक निष्कर्ष असा की misinformation ही केवळ उत्पादनाची समस्या नाही. ती सहभागाचीही समस्या आहे. वापरकर्ते खोटे दावे विश्वासाने स्वीकारतात, पुन्हा सांगतात, आणि sharing च्या सामान्य कृतींतून त्यांना सामान्य बनवतात तेव्हा त्यांना ताकद मिळते. त्या प्रक्रियेच्या मागील behavioral patterns ओळखण्याचा प्रयत्न करून, संशोधक digital misinformation कशी टिकून राहते याचे अधिक वास्तववादी स्पष्टीकरण देण्याच्या दिशेने क्षेत्राला ढकलत आहेत.

हा बदल कायम राहिला, तर भविष्यातील anti-misinformation strategies काही originators चा माग काढण्याऐवजी, एखादा खोटा दावा पुढे चालू ठेवणाऱ्या repeated choices थांबवण्यावर अधिक लक्ष देतील. संकटकेंद्रित माहितीच्या वातावरणात, सर्वात मोठे फायदे कदाचित अजूनही तिथेच उपलब्ध आहेत.

हा अभ्यास कशाला मदत करू शकतो असे सांगतो

• सोशल मीडिया platform policy design
• Media literacy आणि digital education प्रयत्न
• Fact-checking workflows
• खोटी माहिती पुन्हा फिरणे कमी करणारी moderation systems
• आपत्कालीन परिस्थितीत ऑनलाइन माहितीवरील विश्वास निर्माण करणे

हा लेख Phys.org च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.