Yanlış bilginin seçimleri iyi mi etkileyebileceğini her geçen gün daha derinden anlıyoruz. Amerikalıların ortalama %73’ü, seçim haberlerinin yanıltıcı olduğu yönünde görüş bildiriyor. Averaj %50’si ise doğru ile yanlış olanı birbirinden ayırt etmekte zorlandığını söylüyor.
Yanlış data söz mevzusu olduğunda, “viral olmak” kolay bir açıklamadan fazlasını ifade ediyor benzer biçimde görünüyor. Zira bilim adamları, yanlış bilginin yayılması ile virüslerin yayılması içinde yakın bir benzerlik buldu. Aslen yanlış bilginin iyi mi yayılmış olduğu, patojenlerin yayılmasını simüle etmek için tasarlanmış matematiksel modeller kullanılarak etkili bir halde açıklanabiliyor.
Yanlış bilgiye yönelik endişeler hakkında yakın tarihindeki bir BM anketi, dünya genelinde insanların %85’inin bu mevzuda endişeli bulunduğunu gösteriyor.
Bu endişelerin yerinde bulunduğunu söylemek mümkün. Yabancı dezenformasyonun kapsamı, 2016 ABD seçimlerinden bu yana arttı. 2024 seçim süreci, “hava durumu manipülasyonu” hakkında tehlikeli komplo teorileri sebebiyle kasırgaların doğru yönetilmesini engellediğine dair iddialar, göçmenlerin evcil hayvanları yediğine dair düzmece haberlerin Haiti topluluğuna yönelik sertliği körüklemesi ve dünyanın en varlıklı adamı Elon Musk’ın ABD başkanlık seçimleriyle ilgili komplo teorileri… Son yıllarda bu yanlış bilgilerin ne kadar süratli bir halde yayıldığını çoğumuz fark etmişizdir.
Son dönemde meydana getirilen çalışmalarda, epidemiyolojiden (hastalıkların nüfus içinde iyi mi ortaya çıkmış olduğu ve niçin meydana geldiğini inceleyen bilim dalı) faydalanılarak bazı matematiksel modeller kullanıldı. Bu modeller, başlangıçta virüslerin yayılmasını incelemek için geliştirildiyse de artık toplumsal ağlardaki yanlış bilginin yayılmasını incelemek için de etkili bir halde kullanılabiliyor.
Yanlış data için kullanılabilecek epidemiyolojik model sınıflarından biri, duyarlı-bulaşıcı-kurtarılmış (SIR) modeli olarak bilinir. Bu modeller, duyarlı (S), enfekte (I) ve kurtarılmış yada dirençli bireyler (R) arasındaki dinamikleri simüle eder.
Bu modeller, değişiklik hızlarını anlama mevzusunda matematikçilere destek olan bir takım diferansiyel denklemden üretilerek yanlış bilginin yayılmasına kolayca uygulanabilir. Mesela toplumsal medyada yanlış bilgiler bireyden bireye yayılarak bazıları yalnızca ‘enfekte’ olurlar, bazıları ise bağışık kazanırlar. Ötekiler ise asemptomatik vektörler (hastalık taşıyıcıları) olarak vazife yaparlar, şu demek oluyor ki yanlış detayları bilmeden yayarlar yada bunlardan negatif etkilenirler.
Bu modeller son aşama yararlı şundan dolayı nüfus dinamiklerini tahmin etmemize ve simüle etmemize olanak tanıyor. Temel üreme sayısı (R0) benzer biçimde önlemler geliştirmemizi elde eden modeller, bu “enfekte” olmuş bireylerin oluşturduğu averaj olay sayısını ifade ediyor.
Netice olarak, bu tür epidemiyolojik yaklaşımları data ekosistemimize uygulamaya yönelik ilgi giderek artmakta. Bir çok toplumsal medya platformunun tahmini R0 kıymeti 1’den büyük ve bu da bu platformların yanlış bilginin salgın benzeri bir halde yayılması potansiyeline haiz bulunduğunu gösteriyor.
Çözüm Arayışları
Matematiksel modelleme çoğu zaman ya fenomenolojik araştırma (araştırmacıların gözlemlenen kalıpları tanımladığı) ya da mekaniksel emek verme (malum ilişkiler temelinde tahminler yapmayı içeren) olarak adlandırılan iki yaklaşımdan birini içeriyor. Bu modeller, toplumsal ağlarda yanlış bilginin yayılmasını azaltmaya yönelik ihtimaller içinde müdahalelerin iyi mi işe yarayabileceğini incelememize olanak tanımış olduğu için bilhassa faydalıdır.
Geniş bir takipçi kitlesine haiz olan ve bir çok şahıs tarafınca tanınan toplumsal medya figürleri, seçim dezenformasyonunun “süper yayıcıları” haline gelebilir ve potansiyel olarak yüz milyonlarca kişiye yanlış bilgiler yayabilir. Bu durum, seçim yetkililerinin yanlış detayları doğrulama çabalarında yetersiz kaldıklarını bildirdikleri mevcut durumu yansıtıyor.
Ruhsal ‘aşılama’
Yanlış data için viral yayılma benzetmesini yapmak {hiç de} yanlış olmaz şundan dolayı bilim adamlarının, yanlış bilgilerin yayılmasına karşı koyma yollarını simüle etmelerine olanak tanıyor. Bu müdahaleler içinde, prebunking (ruhsal aşılama) isminde olan bir yaklaşım bulunuyor.
Bu yöntemde araştırmacılar, insanların yanlış bilgilere karşı gelecekte bağışıklık kazanmaları için bir hatası evvel ortaya koyar, sonrasında da çürütürler. Bunu, insanların bağışıklık sistemlerini gelecekte maruz kalacakları yanlış bilgilere karşı hazırlamak için zayıflatılmış bir virüs dozuyla tanıştırıldıkları aşılamaya benzetebiliriz.
Mesela kısa sürede meydana getirilen bir çalışmada, seçimlerle ilgili sahtekarlıklara karşı önlemler bulmak için suni zekâ söyleşi robotları kullanıldı. Bu emek verme, siyasal figürlerin “bir gecede meydana getirilen büyük oy kayıplarının seçimi değiştirdiği” benzer biçimde yanlış bir ve sansasyonel hikayelerle fikirlerini manipüle edebilecekleri mevzusunda insanları evvel uyarmayı ve bu tür yanıltıcı söylentileri iyi mi tespit edeceklerine dair mühim ipuçları vermeyi içeriyordu. Bu ‘aşılamalar’ yanlış bilginin yayılmasına ilişkin nüfus modellerine entegre edilebilir.
Bu sırada, öteki hikayeler daha oldukça karmaşık bir ‘bulaşma’ benzer biçimde davranır. Şu demek oluyor ki insanların “enfekte” olmadan ilkin yanıltıcı data kaynaklarına yeniden yeniden maruz kalmaları gerekir.
Yanlış bilgiye karşı bireysel duyarlılığın değişebileceği gerçeği, epidemiyolojiden alınan yaklaşımların kullanışlılığını azaltmaz. Mesela modeller yanlış bilginin değişik alt popülasyonlara “bulaşmasının” ne kadar zor ya da güç olduğuna bağlı olarak ayarlanabilir.
Bazıları için bu şekilde düşünmek ruhsal olarak rahatsız edici olsa da, bir çok yanlış data, tıpkı virüslerde olduğu benzer biçimde azca sayıdaki süper yayıcılar tarafınca yayılır.
Yalan haber çalışmalarına epidemiyolojik bir yaklaşım getirmek, yayılımını tahmin etmemize ve prebunking benzer biçimde müdahalelerin etkinliğini modellememize olanak tanır.
Bazı yeni emek harcamalar, 2020 ABD başkanlık seçiminden toplumsal medya dinamiklerini kullanarak viral yaklaşımı doğruladı. Bu emek harcamalar, bir takım müdahalenin yanlış bilgilerin yayılmasını azaltmada etkili olabileceğini de ortaya çıkardı.
Modeller asla muhteşem değildir. Sadece yanlış bilginin yayılmasını durdurmak istiyorsak, toplumsal zararlarına etkili bir halde karşı koymak için onu anlamamız gerekir.
Kaynak: Theconversation‘ın haberini Yaratı Şahin Türkçeleştirdi
