Acceso usuarios
La detección de noticias falsas se ha convertido en un objetivo de suma importancia tanto en los estudios académicos como en la práctica editorial, creando un área de investigación que comprende la desacreditación periodística de falsificaciones, proyectos interdisciplinarios de verificación de hechos y esfuerzos automatizados de detección de noticias falsas. Sin embargo, con el crecimiento de estas industrias, se ha profundizado una brecha epistemológica entre los estudios «tradicionales» (conceptuales, cualitativos, cuantitativos o mixtos) y computacionales para detectar falsificaciones. Describimos las dos lógicas divergentes de definición y detección falsas. En particular, la regulación internacional, la detección de falsificaciones industriales y la mayoría de los estudios de medios legitiman la «frontera borrosa» entre los hechos y la interpretación, advirtiendo contra la eliminación demasiado estricta de las falsificaciones y preservando la libertad de expresión. Los métodos computacionales, a su vez, son mejores en la detección automática de falsificaciones, pero están orientados al «sí/no», ignorando a menudo la variedad de formas interpretativas en la comunicación pública. Arraigada más profundamente que solo en diseños de investigación individuales, la divergencia de lógicas se agudiza cuando la necesidad pública de una detección falsa clara se encuentra con la libertad de interpretación que resulta de siglos de lucha por los estándares en el discurso público y el periodismo. Empleando una revisión crítica de 45 escritos conceptuales académicos e industriales, describimos las principales deficiencias de la falta de marcadores textuales claros para las noticias falsas en los estudios de medios «tradicionales», por un lado, y de la lógica «sí/no» en la detección computacional de noticias falsas, por el otro. Proponemos un marco epistemológico de cinco pilares para la detección falsa, que incluye verdadero/falso, hecho/interpretación, discrepancia/solidez, evidencia generada por los medios/usuarios y dimensiones de autoría humana/IA.
Fake news detection has become an acutely important goal in both academic studies and editorial practice, creating a research area that comprises journalistic debunking of fakes, cross-disciplinary fact-checking projects, and automated efforts of fake news detection. However, with the growth of these industries, an epistemological gap between “traditional” (conceptual, qualitative, quantitative, or mixed-methods) and computational studies of detecting fakes has been deepening. We describe the two divergent logics of fake definition and detection. In particular, international regulation, industrial fake detection, and most media studies legitimize the “blurred border” between fact and interpretation, warning against too strict elimination of fakes and preserving freedom of expression. Computational methods, in their turn, are better in automated fake detection but are “yes/no”-oriented, often ignoring the variety of interpretive forms in public communication. Rooted deeper than just in individual research designs, the divergence of logics sharpens when the public need of clear-cut fake detection runs into freedom of interpretation that results from centuries of struggle for standards in public speech and journalism. Employing critical reviewing of 45 conceptual academic and industrial writings, we outline the major shortcomings of the lack of clear textual markers for fake news in “traditional” media studies, on one hand, and of the “yes/no” logic in computational fake detection, on the other. We propose a five-pillar epistemological framework for fake detection, including true/false, fact/interpretation, discrepancy/solidity, media/user-generated evidence, and human/AI authorship dimensions.
