தவறான தகவலை தொடர்ந்து பரப்பும் பயனர்களை மாதிரிகள் கவனிக்கவில்லை என ஆராய்ச்சியாளர்கள் கூறுகின்றனர்

உள்ளடக்க உருவாக்குநர்களிலிருந்து மீண்டும் பகிர்வோருக்கு கவனம் மாறுகிறது

தவறான தகவல் நடத்தையைப் பற்றிய ஒரு புதிய ஆய்வு, சமூக ஊடக ஆராய்ச்சி பொய்யான கூற்றுகள் எங்கிருந்து தோன்றுகின்றன என்பதைப் பார்க்க அதிக நேரம் செலவிட்டுள்ளது, ஆனால் அந்த கூற்றுகளை மீண்டும் மீண்டும் பரப்பும் மக்களைப் பற்றி போதிய கவனம் செலுத்தவில்லை என்று வாதிடுகிறது. Phys.org அறிக்கையிட்ட இந்த வேலை, International Journal of Enterprise Network Management இதழில் வெளியான ஆராய்ச்சியை அடிப்படையாகக் கொண்டது, மேலும் பயனாளர் நடத்தை தவறான தகவல் மீண்டும் மீண்டும் சுற்றுவதற்கு எப்படி உதவுகிறது என்பதைப் புரிந்துகொள்ள ஒரு மாதிரியை முன்வைக்கிறது.

முக்கிய வாதம் நேரடியானது: தவறான தகவல் ஒருவரால் உருவாக்கப்படுவதால் மட்டும் பரவுவதில்லை. அது பெரும் எண்ணிக்கையிலான மக்கள் அதனை நம்பி, மீண்டும் கூறி, தங்களின் சொந்த வலைப்பின்னல்களில் அதற்கு புதிய உயிர் கொடுப்பதால் பரவுகிறது. இந்த வேறுபாடு, தளங்கள், கொள்கை உருவாக்குநர்கள், கல்வியாளர்கள், மற்றும் fact-checkers பொய்யான அல்லது சரிபார்க்கப்படாத கூற்றுகளின் ஓட்டத்தை மந்தப்படுத்த எவ்வாறு முயலுகின்றனர் என்பதில் பரந்த தாக்கங்களை ஏற்படுத்துகிறது.

தகவலை பெறும் பயனாளர்களின் நடத்தை முந்தைய பணிகளில் குறைவாக மதிப்பிடப்பட்டதாக ஆராய்ச்சியாளர்கள் கூறுகின்றனர். ஆய்வுகள் பெரும்பாலும் வலைப்பின்னல் அமைப்பு, மோசடியான கதைகளை தொடங்கும் கணக்குகள், அல்லது virality-யின் இயந்திரங்கள் ஆகியவற்றில் கவனம் செலுத்தியுள்ளன. இந்த புதிய பகுப்பாய்வு அதற்குப் பதிலாக, exposure-ஐ amplification-ஆக மாற்றும் மனித முடிவுகளைப் பார்க்கிறது.

நெருக்கடி காலங்களில் இது ஏன் முக்கியம்

இந்தக் கட்டுரை அவசரநிலைகள் மற்றும் பேரிடர் சூழல்களுக்கு சிறப்பான முக்கியத்துவம் தருகிறது. நெருக்கடி காலங்களில் மக்கள் புதுப்பிப்புகள், எச்சரிக்கைகள், படங்கள், மற்றும் நேரில் கண்டவைகளுக்காக சமூக தளங்களை விரைவாக மாறும் தகவல் மூலமாகப் பயன்படுத்துகிறார்கள். அத்தகைய சூழல் தவறான தகவல் பரவுவதற்கான சிறந்த நிலைமைகளை உருவாக்குகிறது: பயனாளர்கள் அழுத்தத்தில் இருப்பார்கள், அதிகாரப்பூர்வ தகவல் முழுமையற்றதாக இருக்கலாம், மற்றும் உணர்ச்சிமிகுந்த பதிவுகள் உறுதிப்படுத்துவதற்கு முன் பகிர வேண்டிய அளவுக்கு அவசரமாகத் தோன்றலாம்.

அத்தகைய சூழ்நிலைகளில், ஒரு பொய் ஒரிஜினல் பதிவால் மட்டுமல்ல, உதவுகிறோம், காக்கிறோம், அல்லது குடிமக்கள் கடமை செய்கிறோம் என்று நினைக்கும் சாதாரண பயனாளர்கள் மீண்டும் மீண்டும் பகிர்வதால் வேகம் பெறலாம். அந்த நடத்தைதான் இந்த ஆய்வு தெளிவாகப் பிடிக்க முயல்கிறது.

தவறான actor-களை கண்டறிவதோ அல்லது வெளிப்படையாகப் பொய்யான பதிவுகளை அகற்றுவதோ மட்டுமே குறிவைக்கும் interventions பிரச்சினையின் பெரிய பகுதியைத் தவறவிடலாம் என்று இந்த ஆராய்ச்சி தெரிவிக்கிறது. மீண்டும் பகிரும் நடத்தை ஒரு முக்கிய இயக்கியாக இருந்தால், platform responses பயனாளர்கள் misinformation-ஐ முன்னோக்கி அனுப்பத் தூண்டும் incentives, trust signals, மற்றும் decision patterns-ஐ சமாளிக்க வேண்டும்.

ஆராய்ச்சியாளர்கள் என்ன உருவாக்கினர்

மூல உரையின் படி, ஆராய்ச்சியாளர்கள் இரண்டு அணுகுமுறைகளை இணைத்தனர். முதலில், பயனாளர்கள் misinformation-ஐ பகிர்வார்களா என்பதைப் பாதிக்கும் trust மற்றும் belief patterns குறித்த ஆதாரங்களை அவர்கள் மதிப்பாய்வு செய்தனர். இரண்டாவது, அவர்கள் user behavior-ஐ பகுப்பாய்வு செய்ய unsupervised machine learning-ஐ பயன்படுத்தினர். அதிலிருந்து, பொய்யான தகவலை மீண்டும் மீண்டும் பகிரும் பயனாளர்களுடன் தொடர்புடைய behavioral patterns-ஐ அடையாளம் காண உதவும் conceptual model-ஐ உருவாக்கினர்.

இதன் அர்த்தம், இந்த ஆய்வு misinformation spreaders-ஐ universal detector ஒன்றை உருவாக்கிவிட்டது என்பதல்ல, மேலும் வழங்கப்பட்ட உரை தனிப்பட்ட நடத்தை பற்றி உறுதியுடன் கணிக்க முடியும் என்றும் கூறவில்லை. இது குறுகிய, ஆனால் முக்கியமான ஒரு கூற்று: மாதிரி சில பயனாளர்கள் ஏன் மீண்டும் மீண்டும் பரவல் சங்கிலியில் இடம்பெறுகிறார்கள் என்பதை விளக்கக்கூடிய patterns-ஐ வரைபடமாக்குகிறது.

இது ஒரு முக்கியமான வேறுபாடு. நடைமுறையில், behavior-based model-ஐ enforcement அல்லது moderation முடிவுகளுக்குப் பதிலாக product design-க்கும் பயன்படுத்தலாம். பயனாளர்கள் சந்தேகத்திற்குரிய உள்ளடக்கத்தை மீண்டும் பகிர அதிக வாய்ப்புள்ள தருணங்களில் platform-கள் prompts, friction mechanisms, அல்லது context cues-ஐ சோதிக்கலாம்.

Fact-checking-ஐத் தாண்டி

இந்த ஆய்வின் மிகவும் பயனுள்ள விளைவுகளில் ஒன்று, தவறான தகவல் கட்டுப்பாடு எளிய true-or-false கட்டமைப்பைத் தாண்டி செல்ல வேண்டியிருக்கலாம் என்பதே. fact-checking முக்கியமானதாகத் தொடர்கிறது, ஆனால் இந்த ஆராய்ச்சி பயனாளர் உளவியல், நம்பிக்கை, மற்றும் பழக்கங்கள் மைய மாறிகளாகக் கருதப்படும் ஒரு விரிந்த அமைப்பை நோக்கிச் சுட்டுகிறது.

இது மூலப் பொருளில் குறிப்பிடப்பட்ட பல சாத்தியமான பயன்பாடுகளைத் திறக்கிறது. இத்தகைய கண்டுபிடிப்புகள் platform policies-ஐ மேம்படுத்த, media literacy programs-ஐ ஆதரிக்க, fact-checking initiatives-ஐ வலுப்படுத்த, மற்றும் தவறான தகவல் பரவலைக் குறைக்க நோக்கப்பட்ட moderation systems-ஐ வழிநடத்த உதவும். ஆன்லைனில் பகிரப்படும் தகவல்களின் மீதான பொதுநம்பிக்கையையும் மீட்டெடுக்க இது உதவக்கூடும்.

இந்த பயன்பாடுகள் ஒவ்வொன்றும் கருத்து மாதிரியை நடைமுறைக்கு மாற்ற வேண்டும். உதாரணமாக, ஒரு media literacy program வெளிப்படையாகப் பொய்யான headlines-ஐ கண்டறிவதற்குப் பதிலாக, பயனாளர்கள் விரைவாக resharing செய்யத் தூண்டும் உணர்ச்சிப்பூர்வ அல்லது சமூக trigger-களை அடையாளம் காண கற்றுத்தரலாம். platform policy குழு meanwhile, கூடுதல் context அல்லது sharing friction takedowns-ஐ விட எப்போது அதிக விளைவுடையது என்பதை கண்டறிய இந்தக் கண்டுபிடிப்புகளைப் பயன்படுத்தலாம்.

இந்த ஆய்வு நிரப்ப முயலும் ஆராய்ச்சி இடைவெளி

தற்போதைய இலக்கியத்தில் ஒரு இடைவெளி இருப்பதாக இந்த ஆய்வு விவரிக்கிறது: உருவாக்குநர்கள் மற்றும் வலைப்பின்னல்கள் மீது மிகுதியான கவனம், பெறுநர்கள் மற்றும் மீண்டும் பரப்புவோரின் மீது மிகக் குறைவு. இந்த விமர்சனம் ஆன்லைன் சூழல்களை ஆராய்ச்சியாளர்கள் increasingly எப்படிச் சிந்திக்கிறார்கள் என்பதைக் பிரதிபலிக்கிறது. தகவல் ஓட்டங்கள் வெறும் top-down அல்ல. அவை users மூலம் தொடர்ந்து remix செய்யப்பட்டு மீண்டும் பரப்பப்படுகின்றன; அவர்களின் அடையாளங்கள் மிகுந்த செல்வாக்குள்ள கணக்குகளிலிருந்து சிறிய, ஆனால் நம்பகமான circles உடைய சாதாரண மக்கள்வரை விரிகின்றன.

அத்தகைய சூழலில், repetition அதன் origin-க்கு சமமான முக்கியத்துவத்தைப் பெறுகிறது. சிறியதாகத் தொடங்கும் ஒரு பொய்யான கூற்று, பல பரிச்சயமான குரல்கள் அதை சமூக ரீதியாக உறுதிப்படுத்தும்போது வலுவாக மாறலாம். misinformation-ஐ மீண்டும் மீண்டும் பரப்பும் பயனாளர்களில் கவனம் செலுத்துவதன் மூலம், இந்த paper பிரச்சினையை தனித்துவமான deception அல்ல, distributed behavior என மறுபரிந்துரை செய்கிறது.

Platforms recommendation systems மற்றும் algorithmic ranking-ஐ அதிகமாக சார்ந்திருக்கும் நிலையில் இந்த framing குறிப்பாக பொருத்தமானதாக இருக்கலாம். ஒரு platform தவறான முதன்மை பதிவின் reach-ஐ குறைத்தாலும், பயனாளர்கள் அதே கூற்றை screenshots, paraphrases, replies, அல்லது புதிய பதிவுகளில் மீண்டும் உருவாக்க முடியும். எனவே, அந்தச் சுழற்சியை இயக்கும் மக்களைப் புரிந்துகொள்வது எந்த நிலையான intervention-க்கும் முக்கியமாக இருக்கலாம்.

வரம்புகள் மற்றும் அடுத்த கேள்விகள்

வழங்கப்பட்ட கட்டுரை ஆய்வை உயர்நிலையிலேயே அறிமுகப்படுத்துகிறது, அதனால் செயல்படுத்துதலுக்கு முக்கியமான பல கேள்விகள் திறந்தவையாகவே உள்ளன. dataset எவ்வளவு பெரியது, machine-learning system எந்த exact features-ஐப் பார்த்தது, அல்லது model வெவ்வேறு platforms மற்றும் மொழிகளில் எப்படி செயல்படுகிறது என்பதைக் குறிப்பிடவில்லை. disaster contexts-க்கு வெளியே அதே behavioral cues பொதுவாகப் பொருந்துமா என்பதும் நிறுவப்படவில்லை.

இந்த வரம்புகள் பங்களிப்பின் மதிப்பை நீக்குவதில்லை. இது என்ன வேலை என்பதை மட்டும் தெளிவுபடுத்துகிறது: misinformation spread-ஐ பார்க்க ஒரு புதிய lens வழங்கும் model-building study, முழுமையான operational solution அல்ல. ஆராய்ச்சியாளர்கள் மற்றும் platform designers-க்கு, இது குறைவாக வரைபடமிடப்பட்ட ecosystem பகுதியை நோக்கி கவனத்தைத் திருப்புவதற்கு போதுமானதாக இருக்கலாம்.

தவறான தகவல் எப்படி பயணிக்கிறது என்பதற்கான உண்மையான பார்வை

இந்த ஆய்வின் மிக வலுவான takeaway என்னவெனில், misinformation என்பது உற்பத்தி பிரச்சினை மட்டுமல்ல. அது பங்கேற்பு பிரச்சினையும் கூட. பயனாளர்கள் பொய்யான கூற்றுகளை நம்பி, மீண்டும் கூறி, sharing என்ற சாதாரண செயல்களின் மூலம் அவற்றை இயல்பாக்கும்போது அவை வலிமை பெறுகின்றன. அந்த செயல்முறையின் பின்னுள்ள நடத்தை வடிவங்களை அடையாளம் காண முயன்று, ஆராய்ச்சியாளர்கள் digital misinformation எப்படி நீடிக்கிறது என்பதற்கான மேலும் யதார்த்தமான விளக்கத்துக்கு துறையைத் தள்ளுகிறார்கள்.

அந்த மாற்றம் நிலைத்தால், எதிர்கால anti-misinformation strategy-கள் சில originators-ஐ தேடுவதற்கு பதிலாக, ஒரு பொய்யை தொடர்ந்து நகர்த்தும் repeated choices-ஐத் தடைசெய்வதில் அதிக கவனம் செலுத்தலாம். நெருக்கடி மையமான தகவல் சூழலில், மிகப்பெரிய முன்னேற்றங்கள் இன்னும் அங்கேயே இருக்கலாம்.

இந்த ஆய்வு எதற்கெல்லாம் உதவலாம் எனக் கூறுகிறது

• சமூக ஊடக platform policy design
• Media literacy மற்றும் digital education முயற்சிகள்
• Fact-checking workflows
• பொய்யான தகவல் மீள்பரவலை குறைக்கும் moderation systems
• அவசரநிலைகளில் ஆன்லைன் தகவலின் மீதான நம்பிக்கையை உருவாக்குதல்

இந்தக் கட்டுரை Phys.org செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.