物以类聚，不相互事实核查：党派立场与推特的Birdwatch众包事实核查计划中的新闻评估

文献标题

Birds of a Feather Don’t Fact-Check Each Other: Partisanship and the Evaluation of News in Twitter’s Birdwatch Crowdsourced Fact-Checking Program

文献信息

• 主题领域: 社交媒体、众包事实核查、党派偏见
• 关键词: 社交媒体, 众包, 事实核查, 党派偏见, 信任评估, 信息误导, 内容评价, 鸟瞰平台, 帮助性评分, 信息筛选

研究背景与问题

• 问题与挑战: 社交媒体上的党派偏见如何影响用户对信息真实性的判断，以及对事实核查评论的帮助性评价。这些偏见可能导致对跨党派内容的更严苛评价并影响平台上的协作表现。
• 重要性: 理解党派关系对信息评价的影响对于设计更有效的社交媒体平台至关重要。特别是事实核查的结果可能影响信息传播的准确性，进而影响社会对信息的信任程度。
• 研究动机与相关工作:
  • 党派冲突和“回声室”现象的影响在网络上受到广泛关注，但其对内容评价的直接影响尚未完全揭示。
  • 研究发现，人们更倾向于分享符合其党派偏好的新闻，而非批判性地评估其真实性。
  • 鸟瞰（Birdwatch）平台数据提供了直接测量党派之间对内容和评论的评价的机会，填补依赖行为数据（如分享行为）来推测用户判断之间的研究空白。

解决方案

• 提出的方法: 利用 Twitter 鸟瞰平台的数据，分析用户是否更倾向于评价跨党派内容为误导性，并评价跨党派评论为不帮助性。
• 创新之处:
  1. 使用明确定量的事实核查数据（评估“推文是否具有误导性”和“评论是否帮助性”）。
  2. 引入党派评分模型（根据用户关注的账号，推导其党派倾向）。
  3. 对比内容相关特征与党派相关特征对预测模型的影响。
• 实施技术与步骤:
  • 数据来源: 包括推文文本数据、鸟瞰平台评论数据与帮助性评分数据。
  • 模型: 使用随机森林模型和逻辑回归对用户评价行为进行预测。
  • 特征提取: 通过推文和评论的长度、情感、可读性、URL数量作为内容特征；结合用户的党派评分、关注量与发帖数量作为上下文特征。
  • 分析: 评估党派偏好是否影响推文的误导性分类，以及评论的帮助性评分。

研究成果

• 具体成果:

  • 用户更倾向于对跨党派内容进行负面评价。例如，用户评价跨党派推文为“误导性”的概率显著高于同党派内容。
  • 用户评价跨党派事实核查评论为“不帮助”的倾向明显高于同党派评论。
  • 模型表明，党派相关特征比推文或评论文本内容特征更能预测用户行为。

• 与现有解决方案相比的优势:

  • 通过重视上下文特征（如党派评分），捕捉了用户评价背后的偏见。
  • 引入三方党派互动（发推者、评论者和评分者之间的党派关系）的分析，更全面地揭示党派动态。

• 实验与评估结果:

  • 随机森林模型的预测性能最高（AUC > 0.84）出现在结合党派特征时。
  • 帮助性评分的党派互动效应显著，共党派评分与正面评价存在正相关。
  • 帮助性评分与同党派评论的比重之间的关系有较强线性关联 (R²=0.42)。

• 局限性与未来方向:

  • 鸟瞰平台用户具有明显的非代表性（男性比例过高、政治极端用户更活跃）。
  • 没有直接验证“误导内容”或“不帮助评论”的主观或客观准确性。
  • 未来方向应包括：
    1. 考察更广泛社交网络生态中的党派互动动态。
    2. 评估更加多样化用户的参与效果。
    3. 探讨是否改良帮助性评分系统以减少党派偏见对协作和内容评价的影响。