Fake News and True News Assessment: The Persuasive Effect of Discursive Evidence in Judging Veracity
Notice bibliographique
Résumé
Individuals are often unable to assess the veracity of news claims—especially on social media platforms. Recent research has suggested that interventions indicating normative signals, such as flagging false claims, are not always effective. We propose an approach in which users are provided with discursive evidence to consider in determining the veracity of claims rather than depending on normative true or false flags. We conducted a series of experiments to explore the effects of different forms of discursive evidence on individual judgments of the veracity of news claims. We found that providing such evidence can significantly improve individuals’ judgment of both true and false news claims—with certain caveats. Providing discursive evidence with high evidence strength leads to a general increase in veracity judgment. Discursive evidence containing items with lower evidence strength may shift believability— thus improving judgments for either true or false claims but degrading them for the other. We also identify important asymmetries between true and false claims, finding that the effect of some evidence may be improved if people are in a more critical mindset—for example, by priming them to think about the concept of truth and lies. Taken together, these results extend knowledge on the problem of fake news and may suggest effective approaches to address the problem without diminishing attention to true news.
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 | 0,036 | 0,329 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».