Att använda maskininlärning som försvar mot desinformation

Sammanfattning: Desinformation, eller fake news som det kallas i vissa sammanhang, är ett problem som i samband med internet blivit allt större. Vare sig det gäller politiska val, falska påståenden om Covid-19 eller krigspropaganda så lever vi idag i vad vissa kallar för en infodemi. Begreppet syftar på det hav av både sann och falsk information som finns inom den digitala världen idag som det är väldigt lätt att drunkna i (World Health Organisation, 2020). Det ökade hotet har inte bara gjort det mer relevant att forska om desinformation som problem men även för forskning som ämnar att lösa problemet. Det finns flera olika typer av lösningar men maskininlärningsalgoritmer är en av de vanligaste samt det som detta arbete har undersökt (Gradon et al., 2021). Den frågeställning som arbetet har haft som mål att besvara är följande:“Vad är det som gör maskininlärning till ett effektivt skydd när det används för att identifiera desinformation?” Genom en kvalitativ fallstudie har semistrukturerade intervjuer genomförts med målet att besvara frågan mer på djupet och i detalj. Med metoden genererades ett resultat som förhoppningsvis underlättar att avgöra vad som gör maskininlärningsalgoritmer effektiva på att identifiera desinformation. I resultatet framkom det totalt 11 olika delområden där flera kategoriseras som argument till varför det är en effektiv lösning, samt argument som talar för att de inte är det. Det gjordes även fynd i form av förbättringsförslag som skulle kunna öka effektiviteten. Positiva argument som hittades är följande: 1) Maskininlärning är automatiserat, 2) Maskininlärningsalgoritmer arbetar snabbare än människor, 3) Maskininlärning kan agera snabbt mot nya hot, 4) Maskininlärning hittar mönster enklare än vad människor gör, 5) Maskininlärningsalgoritmer blir bättre ju mer de används. Negativa arguments som hittades är: 6) Maskininlärningsalgoritmer kan manipuleras, 7) Maskininlärningsalgoritmer kan missbrukas, 8) Hur processen går till med maskininlärning kan vara otydlig. Förbättringsförslag som hittades är: 9) Manuellövervakning av maskininlärningsalgoritmer, 10) Nya tekniker inom maskininlärning, 11) Att kombinera maskininlärningsalgoritmer med filter.