Digital-era Propaganda: A Credible Threat to National and Global Security
Notice bibliographique
Résumé
This paper seeks to define and analyze the difference between public policy and propaganda, the mechanisms of disseminating both disinformation and misinformation and the possible consequences, taking into account both technological and psychological factors. As regards the technological factors, particular attention is given to “deep fakes” that allow the creation of audio and video of real people saying and doing things they have never said or done, sheer invention. Machine learning techniques are accelerating technology’s sophistication, making deep fakes increasingly more realistic and resistant to detection. Psychological factors include the tendency of average people to fell prey to conspiracy theories and the confusion created by the plethora of “news sources” which are both easily available and unregulated. Strategies and tactics of digital-era propaganda will be examined based on contemporary case studies (including Russian campaigns to damage EU-Ukraine relations, and President Trump’s accusations against his adversaries for fake news). Recommendations will be given as how to counter the threat to the best possible extent. Moreover, focus is also placed on the danger of using the suppression of propaganda as a pretext to suppress media pluralism and control dissident voices that criticize the established status quo, especially in non-liberal democracies (like Russia) or in autocratic regimes (like China).
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».