Unbiased misinformation policies sanction conservatives more than liberals
Notice bibliographique
Résumé
In response to intense pressure from policy makers and the public, technology companies have enacted a range of policies aimed at reducing the spread of misinformation online1-3. The enforcement of these policies has, however, led to technology companies being regularly accused of political bias4-6. We argue that even under politically neutral anti-misinformation policies, such political asymmetries in enforcement should be expected, as there is a political asymmetry in the sharing of misinformation7-12. We support this argument with an analysis of Twitter data from 9,000 politically active users during the U.S. 2020 presidential election. While users on the political right were indeed substantially more likely to be suspended than those on the left, users on the right also shared far more links to low quality news sites – even when news quality was determined by politically-balanced groups of laypeople, or groups of only Republicans – and were estimated to have a far higher likelihood of being bots. We find similar associations between conservatism and low quality news sharing (based on both expert and politically-balanced layperson ratings) in seven other datasets of sharing from Twitter, Facebook, and survey experiments, spanning 2016 to 2023. These results demonstrate that political imbalance in enforcement need not imply bias, and should not dissuade technology companies from taking action against the spread of misinformation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».