Community-basiertes Fakten-Checking auf Sozialen Medien

• Antragsteller: Professor Dr. Nicolas Pröllochs
• Fachliche Zuordnung: Accounting und Finance
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 492310022

Falschinformationen untergraben die Glaubwürdigkeit sozialer Medien und stellen eine erhebliche Bedrohung für die Gesellschaft als Ganzes dar. Als Gegenmaßnahme hat Twitter kürzlich "Birdwatch" eingeführt, einen community-basierten Ansatz, um Falschinformationen auf Twitter mit Hilfe von „crowd wisdom“ zu bekämpfen. Birdwatch erlaubt es Nutzern, irreführende Tweets zu identifizieren, Fakten-Checks zu verfassen und die Qualität von Fakten-Checks anderer Nutzer zu bewerten. Angesichts des gegenwärtigen Ausmaßes an Falschinformationen auf Social-Media-Plattformen besteht ein dringender Bedarf, Mechanismen und Herausforderungen im Kontext von community-basiertem Fakten-Checking zu verstehen. Entsprechende Erkenntnisse hätten direkte Implikationen für die Birdwatch-Plattform und zukünftige Versuche, community-basierte Ansätze zur Bekämpfung von Falschinformation auf sozialen Medien zu implementieren. Daher zielt dieses Projekt darauf ab, community-basiertes Fakten-Checking auf Twitter ganzheitlich zu analysieren. Insbesondere adressiert dieses Forschungsprojekt die folgenden drei Hauptziele: (1) Wir werden untersuchen, welche Faktoren community-basierte Fakten-Checks hilfreich oder nicht hilfreich machen. (2) Wir werden analysieren, wie community-basiertertes Fakten-Checking mit den Spreading-Dynamiken des faktengeprüften Tweets auf Twitter zusammenhängt. Zu diesem Zweck werden wir die Twitter Historical API nutzen, die es erlaubt, die Retweet-Kaskaden faktengeprüfter Tweets zu rekonstruieren. Anschließend werden wir empirisch die Beziehung zwischen dem Wahrheitsgehalt („Veracity“) faktengeprüfter Tweets (d.h. ob ein faktengeprüfter Tweet Falschinformation darstellt) und dem Nutzerverhalten auf Twitter analysieren. Das übergreifende Ziel ist es, zu verstehen, ob community-basiertes Fakten-Checking tatsächlich die Verbreitung von Falschinformationen auf sozialen Medien eindämmt (oder entgegengesetzte Effekte hervorruft). (3) Wir werden die Rolle von Emotionen im Zusammenhang mit community-basiertem Fakten-Checking untersuchen. Hierbei werden wir Methoden zur quantitativen Text-Analyse nutzen, um Emotionen sowohl in den Fakten-Checks als auch in den faktengeprüften Tweets zu analysieren. Das Ziel ist es insbesondere zu verstehen, ob Tweets, die bestimmte Emotionen enthalten, mit höherer Wahrscheinlichkeit faktengeprüft werden und bestimmte Emotionen in den Fakten-Checks hervorrufen (z.B. „Wut“). Als Erweiterung werden wir evaluieren, ob state-of-the-art Machine Learning dabei helfen kann, die Verbreitung von faktengeprüften Tweets automatisiert vorherzusagen. Basierend auf den gewonnenen Erkenntnissen werden wir wichtige Implikationen für Social-Media-Plattformen ableiten.

• DFG-Verfahren: Sachbeihilfen