News about Global North Considered Truthful! The Geo-Political Veracity Gradient in Global South News
Notice bibliographique
Résumé
While there has been much research into developing artificial intelligence (AI) techniques for fake news detection aided by various global benchmark datasets, it has often been pointed out that fake news in different geo-political regions traces different contours. In this work we uncover, through analytical arguments and empirical evidence, the existence of an important characteristic in news originating from the Global South viz., the geo-political veracity gradient. In particular, we conjecture that Global South news about topics from Global North—such as news from an Indian news agency on US elections—tend to be less likely to be fake, and provide three forms of support for the conjecture. First, observing through the prism of political economy, we posit a relative lack of monetarily aligned incentives in producing fake news about a different region than the regional remit of the audience. Second, we provide empirical evidence for this from benchmark datasets used in AI research on fake news detection. Third, we empirically illustrate this conjecture through observing its empirical effect in applying AI-based fake news detection models tested in a regional remit distinct from their training. Consequently, we point out how AI models trained in the Global North may encounter this gradient as a facet that enhances friction within Global South application contexts, creating predictions with less utility for the Global South. We locate our work within emerging critical scholarship on geo-political biases within media in the context of widespread application of AI in fake news identification. We hope our insight into the geo-political veracity gradient will help illuminate the latent geo-political anchoring within AI for fake news detection.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».