Le fonti online e i social media rappresentano i principali mezzi di diffusione e propagazione delle informazioni notizie. In particolare, un aumento esponenziale nell’uso dei social media ha accelerato la diffusione delle informazioni. La velocità con cui si diffonde la disinformazione, unita alla produzione e diffusione aperta dei contenuti sui social media, aumenta il potenziale danno, rendendo le piattaforme online obiettivi principali per la propagazione delle fake news.
La disinformazione in generale si diffonde spesso più rapidamente e ampiamente rispetto alle notizie vere, creando nuovi rischi per la democrazia e la sicurezza nazionale, indebolendo la fiducia nelle istituzioni pubbliche e mettendo a rischio la fiducia della società nelle informazioni. Ad esempio, si stima che almeno 800 persone siano morte e 5800 siano state ricoverate in ospedale a causa di informazioni false legate alla pandemia di COVID-19, come ad esempio credere che i prodotti per la pulizia a base di alcol siano una cura per il virus. È quindi necessario limitare gli impatti della disinformazione e sviluppare strumenti e servizi specifici per consentire ai cittadini e ai professionisti di accedere a informazioni affidabili e attendibili su Web e Social media. Di conseguenza, la rilevazione precoce delle fake news è fondamentale per fermare la diffusione di informazioni false e dannose.
La rilevazione automatica delle fake news è un problema rilevante che suscita grande interesse dalla comunità di ricerca. Tuttavia, nonostante le numerose proposte, lo stato dell’arte presenta diversi svantaggi. In primo luogo, la maggior parte delle tecniche esistenti è limitata a un singolo dominio e funziona male in scenari cross-domain. In secondo luogo, le fake news di solito emergono su nuovi eventi per i quali non sono disponibili dati etichettati. Nonostante il successo dei modelli di deep learning con grandi quantità di dati etichettati, gli algoritmi presentano ancora difficoltà nei casi in cui la rilevazione delle fake news è necessaria su eventi emergenti. Un’altra limitazione degli approcci attuali è che la maggior parte di essi sfrutta dati unimodali, basandosi su diversi attributi singoli come testo, immagine o contesto sociale delle notizie. Le poche proposte che sfruttano dati multimodali non riescono a cogliere le connessioni cross-modal. Pertanto, la ricerca efficace che combina le diverse modalità con la loro struttura e dimensione diverse rimane un problema aperto.
Il progetto mira a indagare l’uso di modelli di deep learning come reti adversarial e active learning, per apprendere rappresentazioni di features multimodali e generare features invarianti di dominio per rilevare fake news su diversi domini e su nuovi eventi emergenti.
MIRFAK mira a sviluppare uno strumento innovativo di verifica dei contenuti, fornendo soluzioni per la verifica delle notizie sui social media e sulle piattaforme online. MIRFAK mira a dare potere ai cittadini rendendo i contenuti online più trasparenti e promuovendo l'alfabetizzazione mediatica e dell’informazione.
Keywords: Fake News, Misinformation, Active Learning, Multimodal data, Cross-domain learning
Gruppo di Riferimento: Social and Complex Data Intelligence
Partners: Università della Calabria (UNICAL), Istituto di Calcolo e Reti ad Alte Prestazioni del Consiglio Nazionale delle Ricerche (ICAR-CNR)
Finanziato da: MUR Ministero dell’Università e della Ricerca
Costo totale: 252.353,00
Costo ICAR: 128.255,00
Data inizio: 28/11/2023
Data fine: 27/11/2025
