Mitigating Distrust in Digital News Media: A Qualitative Research-Creation Study of a Proposed Fact-Checking Decentralized Application
Notice bibliographique
Résumé
As mis- and disinformation is created and shared with greater ease and speed, trust in online news media is declining. While the “infodemic” resulting from the COVID-19 pandemic is the most obvious recent example of this (Garneau & Zossou, 2021), the spread of mis- and disinformation is woven into conflicts around the globe, from the Russian invasion of Ukraine (Price, 2022; O’Neill, 2022), to divisive domestic tensions, like climate denial (Meyer, 2021). Reuters puts Canadians’ trust in “news overall” at 42 per cent (Newman et al., 2022, p. 119). While other studies provide a more optimistic overview (Bricker, 2021; Edelman Canada 2021), they still show that trust is an issue of concern. This paper will explain how a fact-checking decentralized application (dApp) could provide a democratic process for recording and verifying claim reviews, and through crowdsourcing verification and fostering transparency and digital media literacy, potentially help bolster public trust in news media. This paper is one component of a Research-Creation Thesis Project, which also consists of: (a) a website, checkmarker.org, that explores key problems negatively impacting trust and how a fact-checking dApp might work; (b) interviews with professionals with expertise relevant to trust in news media and/or blockchain; and (c) a short survey to gather preliminary feedback about the concept and the topic of trust in journalism. In the future, this project could lead to the development of a prototype of a fact-checking dApp, as well as be used to make a case for or against the use of blockchain in journalism.
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 | 0,038 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,013 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».