Social Media Marketing

Ist Snap anderen Plattformen im Kampf gegen Fake News voraus?

Snap Research investiert aktuell in einen Algorithmus, der einen neuen Ansatz beim Labeln von Fake News verfolgt.

© Thought Catalog - Unsplash

Fake News are taking over. Doch während die populärsten Netzwerke im Kampf gegen die bedrohliche Erscheinung ziemlich schwach aussehen, kommt Snap mit einer möglichen Lösung um die Ecke und könnte damit wieder an Relevanz gewinnen – wenn die Technologie denn Einsatz finden sollte.

Ein Algorithmus mit einem (relativ) neuartigen Ansatz

Snap hat sich zum Ziel gesetzt eine fähige Waffe gegen Fake News zu entwickeln. Im Zuge dessen hat Snap Research der University of California einen Betrag in Höhe von 7.000 US-Dollar gespendet und nicht-finanzielle Unterstützung zugesagt. Das dort ansässige Riverside Project ist damit beschäftigt einen Weg zu finden Online Fake News aufzuspüren. Bisher ist der vom Projekt entwickelte Algorithmus mit einer Trefferwahrscheinlichkeit von 75 Prozent schon ziemlich akkurat, die Spende Snaps soll die Entwicklung weiter vorantreiben.

Der Unterschied zu der Vielzahl anderer Forschungsprojekte zum Thema ist die Ambition des Unterfangens. Hier geht es nicht um die simple Unterdrückung entsprechender Keywords, auch werden nicht einfach zwielichtige Publisher Websites gesperrt. Ebenfalls unterliegen die News keinem Faktencheck, wie bei anderen Projekten. Denn diese hängen maßgeblich von menschlicher Intelligenz ab. Diese Abhängigkeit gilt es laut Vagelis Papalexakis, Assistenz Professor im Computer Science & Engineering Department der UC Riverside, auf das geringste mögliche Maß zu reduzieren. Nicht, weil er der menschlichen Einschätzung nicht trauen würde. Der Grund dafür ist, dass es bei vielen Sachverhalten schwer ist, eine definitive Antwort zu finden, es kein schwarz oder weiß gibt. Der Algorithmus stützt sich maßgeblich auf eine Vielzahl von Signalen, die von einer News ausgehen und nutzt diese, um die Vertrauenswürdigkeit eines Artikels einzuordnen. Zu den relevanten Signalen zählen etwa

  • wer den Artikel geteilt hat,
  • welche Hashtags verwendet worden sind,
  • wer der Verfasser ist,
  • von welchem Publisher der Artikel stammt,
  • wie die Website gestaltet ist

Diese (und mehr) Faktoren werden vom Algorithmus ausgewertet und ihr Einfluss auf das mögliche Label „Fake News“ eingeschätzt. Die Verwendung eines kritischen Hashtags allein führt noch nicht zu einer Einordnung, viel mehr zahlt die Gesamtanzahl kritischer Faktoren auf das Label ein. So etwa auch das Teilen des Artikels, der diesen Hashtag enthält, auf einer für Fake News anfälligen Plattform wie Twitter.

Fake News mit „Tensor Composition“ auf der Spur

Der Algorithmus soll laut Papalexakis dafür sorgen, dass ein Artikel rechtzeitig ein adäquates Label erhält, bevor sich seine Verbreitung in einem Netzwerk verselbstständigt: „That’s our interest for now: working out what we can squeeze out of the contents and the context of a particular article“. Die von der Gruppe entwickelte Technik basiert auf der sogenannten „Tensor Decomposition“. So handelt es sich bei Tensoren um multidimensionale Würfel, mit denen Daten modelliert und analysiert werden können, die über eine Vielzahl unterschiedlicher Komponenten verfügen. Wird ein Tensor in die grundlegenden Bestandteile seiner verschiedenen Informationen zerlegt, lassen sich so wiederkehrende Muster definieren.

Der Algorithmus zerlegt Daten also mit der Tensor Composition in seine verschiedenen Bestandteile und matcht diese mit bekannten Mustern von Fake News. In einem weiteren Schritt werden ähnliche Artikel miteinander verbunden. Aus den vorhandenen Daten ergibt sich eine Map und auf Grundlage eines Vorgehens, das den Namen „Guilt by Association“ trägt, lässt sich eine Ähnlichkeit mit anderen bereits kategorisierten Artikeln feststellen. Daraufhin werden die Artikel per Machine Learning mit einer geringen Anzahl von Artikeln abgeglichen, die von Menschenhand kategorisiert wurden.

Zwar sind auch bei diesem Vorgehen weiterhin Menschen involviert, doch ist der Einfluss wesentlich geringer als bei anderen Methoden zur Klassifizierung von Fake News. So könne der Algorithmus laut Papalexakis eine sehr hohe Genauigkeit mit einem sehr geringen Datensatz erreichen, der durch Menschenhand kategorisiert wurde. Demnach reiche dazu eine handvoll Artikel.

Snap is not one of the first companies that would come to mind given [this problem] . Nevertheless, Snap is a company which handles content. As I understand it, they’re very interested in having a good grasp on how one could understand this problem — and solve it ultimately,

so Vagelis Papalexakisgegenüber Digital Trends.

Potentielle Waffe gegen Fake News, jedoch ohne garantierten Einsatz Snaps

Die Unterstützung Snaps am Projekt ist zumindest finanziell nicht allzu stark ausgeprägt. Eine Garantie, dass Snapchat den Algorithmus schlussendlich adaptiert, ist nicht gegeben. Dies ist auch nicht zwingend das vorrangige Ziel Papalexakis‘. So erklärt er, dass mit dem Algorithmus ein System entwickelt werden soll, das News-Artikel mit einem Zuverlässigkeits-Score belegt. Dieser Score könnte dann beispielsweise dazu dienen, die News zu filtern, bevor sie auf einer Plattform in Umlauf gerät. Alternativ könnten die Filter betroffene Artikel als Fake News labeln, wobei es dem User überlassen bleibt, wie er mit dem Content verfährt. In der Praxis würde dies dann den Spamfiltern von E-Mail Providern ähneln.

Snaps App Snapchat hat seit einiger Zeit mit großen Problemen zu kämpfen. Seit der Facebook-Konzern schamlos Signature Features der App klaut und seinen eigenen Apps implementiert, verzeichnet die App nicht nur einen Userschwund, sondern wird auch für das Marketing entsprechend irrelevanter. Dennoch finden sich noch immer 188 Millionen Daily Active User in der App, eine trotz allen Unkens nicht unbeträchtliche Anzahl. Findet Snap einen verlässlichen Weg gegen Fake News anzukämpfen, könnte das der App beim aktuellen Versagen anderer Netzwerke wieder zu mehr Aufwind verhelfen. Dazu muss der Algorithmus jedoch in Snapchat integriert werden und verlässliche Einschätzungen abgeben können, die dem User bei der Beurteilung helfen.

Über Tina Bauer

Tina Bauer

Studierte Sozialwissenschaftlerin mit Hang zu Online und Marketing. Seit 2014 als Redakteurin & Content Managerin bei OnlineMarketing.de.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.