Un modello matematico cattura l'impatto politico delle notizie false

I politici e gli opinionisti di tutto il mondo sono alle prese per venire a patti con la natura delle notizie false e le sue implicazioni per la società, la democrazia e persino la verità stessa.

Tuttavia, il dibattito è offuscato da disaccordi su come definire il fenomeno. Senza una definizione adeguata, politici, giornalisti e gente comune lottano per affrontarlo. Quindi è assolutamente necessario un modo chiaro e potente per pensare alle notizie false che consenta un'analisi obiettiva.

Entrano Dorje Brody dell'Università del Surrey e David Meier della Brunel University, entrambi nel Regno Unito. Questi ragazzi hanno utilizzato la teoria matematica della comunicazione per escogitare un modello matematico che simula il modo in cui le fake news influenzano i referendum e le elezioni e indica i modi per mitigarne gli effetti.

Prima un po' di background. Il problema fondamentale della comunicazione è riprodurre in un punto dell'universo un messaggio creato in un altro punto. Il problema è reso più difficile dal fatto che c'è sempre un rumore che distorce questo messaggio: 0 s essere capovolto uno s, b suonano come d e i segnali di fumo vengono, beh, spazzati via.

Quindi il destinatario di qualsiasi messaggio deve avere una strategia per affrontare questo rumore. Ciò risulta essere del tutto possibile in molte situazioni. Il matematico e ingegnere Claude Shannon ha dimostrato che un messaggio può sempre essere riprodotto più o meno esattamente, a condizione che il rumore sia al di sotto di un certo livello di soglia. L'idea chiave qui è che le notizie false possono essere trattate matematicamente come un tipo speciale di rumore.

Brody e Meier definiscono le fake news come informazioni non coerenti con la realtà dei fatti. In questo senso, è il rumore che deve essere rimosso prima che un segnale possa essere interpretato correttamente. Tuttavia, questo rumore ha proprietà speciali in quanto è distorto in un modo specifico, a differenza del rumore casuale.

Ciò significa che il flusso di informazioni contiene diversi componenti. C'è il messaggio effettivamente corretto più vari dettagli e voci effettivamente errati, che sono rumori casuali. Ma ci sono anche messaggi volutamente di parte che corrispondono a notizie false. La chiave per interpretare un segnale è eliminare sia il rumore casuale che la distorsione per lasciare il messaggio inalterato.

Non è un compito facile. Ma si scopre che i matematici hanno potenti strumenti matematici adatti esattamente a questo scopo. Sviluppata negli anni '50 e '60, la teoria del filtraggio è una branca della teoria della comunicazione che mira a filtrare il rumore nei canali di comunicazione. Fondamentalmente, questa teoria tratta il bias e il rumore casuale in modi diversi per arrivare al segnale sottostante.

Brody e Meier usano questa idea per modellare il modo in cui gli elettori interpretano le notizie. I ricercatori affermano che gli elettori si dividono in tre categorie. In primo luogo ci sono coloro che non sono a conoscenza delle notizie false e quindi le trattano come un normale rumore. Non sapendo che le notizie potrebbero essere false, sono completamente fiduciosi nelle loro opinioni. Questa categoria è più vulnerabile all'esposizione a notizie false, affermano i ricercatori.

Il secondo gruppo sono quelli che sono a conoscenza delle fake news ma non sanno come separarle dal rumore. Questo gruppo è meno suscettibile alle fake news ma è meno fiducioso nelle proprie opinioni a causa dell'incertezza creata dalle fake news. Le persone in questa categoria sono notevolmente più consapevoli delle incertezze nelle loro stime, affermano Brody e Meier.

E infine, ci sono quegli elettori che possono individuare notizie false e rimuoverle immediatamente dai loro calcoli. Queste persone sono fiduciose nelle loro opinioni perché non sono influenzate dal pregiudizio introdotto dalle fake news. Tuttavia, Brody e Meier considerano questo gruppo un'idealizzazione. Dopotutto, è un compito quasi insormontabile per un dato individuo identificare perfettamente quali notizie sono false e quali no, sottolineano.

Continuano a simulare un'elezione in cui questi gruppi di persone vengono alimentati con una serie di notizie contaminate da rumori casuali e da notizie false. Eseguono la simulazione oltre 1.000 volte per vedere in che modo le notizie false influenzano le preferenze di voto.

I risultati costituiscono una lettura interessante. Si scopre, non inaspettatamente, che gli elettori del primo gruppo vengono facilmente manipolati dalle fake news. Allo stesso modo, quelli del terzo gruppo non sono interessati dalle notizie false.

Tuttavia, il secondo gruppo è il più interessante. Gli elettori di questa categoria sono a conoscenza dell'esistenza di fake news, ma non conoscono i tempi della sua uscita. Quindi tendono a compensare eccessivamente la possibilità che le informazioni che stanno ricevendo possano essere contaminate. Tuttavia, una volta che le fake news sono state rilasciate, quelli di questo gruppo fanno bene a rimuoverne l'influenza.

Si può interpretare questo come un'indicazione che la semplice conoscenza della possibilità di notizie false è già un potente antidoto ai suoi effetti, affermano Brody e Meier.

Ciò fornisce qualche speranza che l'effetto delle notizie false possa essere mitigato.

Il lavoro lascia senza risposta alcune domande importanti. Una grande incognita, ovviamente, è la percentuale di elettori nella prima categoria e come, o anche se, sia possibile spostarli nella seconda categoria.

Un'altra questione importante è la natura della realtà fattuale. Molti osservatori si chiederanno se sia ragionevole presumere che esista una realtà fattuale oggettiva, in particolare quando si tratta di questioni politiche e di prospettive future.

E anche se c'è una realtà oggettiva, il processo di comunicazione ci aiuta a capire la sua vera natura o semplicemente ci aiuta a concordare cosa potrebbe essere?

Come molti prima di loro, Brody e Meier non sono ancora in grado di risolvere questo spinoso enigma.

Rif: arxiv.org/abs/1809.00964 : Come modellare notizie false

nascondere