COVID-19 Informazione e disinformazione: il ruolo dell’Intelligenza Artificiale

Questo articolo ha l’obiettivo di approfondire il ruolo dell’intelligenza artificiale applicata alle Fake news, che costituisce una delle tematiche più importanti della comunicazione e dei social media.

L’attuale pandemia dovuta al Covid-19 che si è abbattuta sulla nostra società ha portato paura ed incertezze. Negli ultimi mesi, le persone di tutto il mondo si sono affidate ai diversi mezzi informativi per cercare le ultime notizie in merito all’andamento del virus, ai metodi per proteggersi e alle cure per combatterlo. Stiamo assistendo così ad una crescita esponenziale del volume di informazioni che possono essere vere, verosimili e in molti casi decisamente false. Le notizie deliberatamente false o modificate, le cosiddette “fake news” sono intenzionalmente prodotte e diffuse da sempre. Oggi diventano un argomento centrale perché piattaforme web e social media come Facebook, Google, Pinterest, Instagram, Twitter, TikTok, YouTube eliminano qualsiasi mediazione e rendono inefficaci i filtri, i controlli, le regole professionali ed etiche dei sistemi editoriali tradizionali. Di conseguenza, gli utenti dei social media possono avanzare idee o diffondere le notizie attraverso le condivisioni, i like o i retweet. In quest’ottica, mentre l’urgenza di trovare una cura per il COVID-19 continua in tutto il mondo, la proliferazione di fake news si è intensificata sui social network ed è stato riscontrato che le false informazioni su questioni sanitarie costituiscono una minaccia alla salute pubblica. Di certo l’introduzione di un sistema automatico che riconosca e blocchi la diffusione di fake news è un valido supporto per evitare che notizie false e senza alcun fondamento scientifico vengono condivise producendo un’informazione virale e fuorviante.

L’AI ha un ruolo importante nel limitare la diffusione di notizie false sui social media, permettendo di valutare volumi enormi di post e di identificare rapidamente quelli che tentano di passare i filtri inserendo piccole modifiche in contenuti già identificati come falsi. L’AI ha quindi il compito di smascherare le notizie false, classificando le notizie attraverso una scala di alta, media e bassa veridicità.

Gli algoritmi di apprendimento profondo noto come Deep Learning si utilizzano per analizzare il contenuto sui social media e verificarne l’autenticità. Questi algoritmi si basano principalmente sul contenuto delle notizie. Le caratteristiche dell’utente, il social network dell’utente e la polarità del loro contenuto sono un altro insieme di segnali importanti. È anche comune analizzare il comportamento degli utenti sulle piattaforme social e assegnare loro un punteggio di affidabilità.

I generatori di notizie false potrebbero non mostrare un normale comportamento di condivisione e tenderanno anche a condividere contenuti più estremi. Tutte queste caratteristiche prese insieme forniscono una stima più affidabile dell’autenticità.

Gli algoritmi di deep learning rilevatori di fake news utilizzano in genere un insieme di dati (dataset), che viene creato raccogliendo dati da varie fonti di social media come Instagram, Facebook, Twitter.

Quindi, l’attività di rilevamento delle notizie false è formulata come un problema di classificazione dell’immagine, del testo e della combinazione di testo e immagine. Si utilizzano per questo scopo algoritmi di classificazione basati sul deep learning per l’attività di rilevamento di notizie false. 

Esempio di sistema di identificazione di fake news con un approccio multimodale.

Per essere in grado di discriminare, le notizie false da quelle vere, questi algoritmi necessitano di una prima fase nota come addestramento o training, ovvero quella fase nella quale vengono inseriti numerosi dati composti da esempi (training set) di entrambe le tipologie di notizie. Grazie al training set, l’algoritmo impara a riconoscere le caratteristiche peculiari (feature) delle fake news, e in questo modo è in grado di distinguerle da quelle vere. Il modello di apprendimento profondo sarà quindi costituito da tre componenti: reti per la classificazione delle immagini, reti per la classificazione del testo e il classificatore totale (testo+immagine). Quando l’algoritmo addestrato deve discriminare una notizia nuova, sarà in grado di stabilire la sua veridicità in base a quanto appreso in fase di addestramento. L’approccio utilizzato, basato sull’uso delle reti neurale, ha lo scopo di ridurre le verifiche manuali e al tempo stesso di usare le verifiche manuali come forma di apprendimento continuo.

In futuro questi sistemi raggiungeranno un livello di accuratezza tale da bloccare ed eliminare automaticamente le fake news sul COVID e in generale sulle forme di odio e violenza che circolano nel web.

Deep Learning per il riconoscimento di fake news 

Architettura dell’algoritmo per il riconoscimento del testo fake

Le tecniche più avanzate di Deep Learning usano reti neurali su livelli multipli, che simulano il comportamento dei neuroni biologici. L’obiettivo degli algoritmi di deep learning per l’individuazione di fake news è quindi quello di estrarre features e classificarle, in maniera automatica, da contenuti multimediali (solo testo / solo immagini / testo + immagini) sfruttando i principali social network. Il sistema prevede una fase di apprendimento finalizzato alla collezione di grandi data set e all’apprendimento da essi.  Oggi la possibilità di fare data analytics su vasti e complessi dataset richiede tecniche avanzate ed è resa possibile grazie anche alla potenza di calcolo di computer che lavorano in parallelo o su cloud privati.