Harvard Kennedy School Misinformation Review, recenzowane czasopismo naukowe poświęcone badaniom nad dezinformacją, opublikował pracę zespołu Sory Park z University of Canberra. Tekst podważa fundament większości polityk walki z fałszywymi treściami, czyli założenie, że ludzie po prostu nie umieją rozpoznać dezinformacji i że wystarczy ich tego nauczyć.
Badacze zastosowali metodę rzadką w tej dziedzinie. Zamiast pokazywać uczestnikom spreparowane nagłówki w laboratorium, poprosili 38 wyborców z 4 wahających się okręgów o prowadzenie cyfrowego dziennika przez 7 dni poprzedzających australijskie wybory federalne z 3 maja 2025 roku. Uczestnicy oznaczali w czasie rzeczywistym, w swoich zwykłych mediach, wszystko, co sami uznali za dezinformację, i opisywali, po czym ją poznali. Zebrano 254 przykłady, średnio prawie 7 na osobę.
Wynik podstawowy jest taki, że najczęstszym powodem uznania treści za fałszywą, wskazanym w 28% przypadków, była sprzeczność z wcześniejszą wiedzą i przekonaniami zgłaszającego. Kolejne 22% to postrzegana stronniczość źródła. Zewnętrzna weryfikacja, czyli sprawdzenie w niezależnych źródłach, odpowiadała za zaledwie 4% oznaczeń.
Wynik kontrolny jest jeszcze ciekawszy. Wszystkie zgłoszone przykłady niezależnie oceniło dwóch zawodowych weryfikatorów faktów. Za jednoznacznie fałszywe uznali 10% treści, a za całkowicie prawdziwe 37%. Wyborcy po obu stronach sporu oznaczali jako dezinformację przede wszystkim prawdziwe lub co najwyżej tendencyjne reklamy przeciwnego obozu. Słowo „dezinformacja” funkcjonuje więc w praktyce nie jako kategoria epistemiczna, tylko jako partyjny epitet.
I. Dziennik zamiast laboratorium
Metoda badania zasługuje na uwagę, bo mierzy się z główną słabością dotychczasowej literatury.
Zdecydowana większość wiedzy o rozpoznawaniu dezinformacji pochodzi z eksperymentów, w których uczestnicy oceniają przygotowane przez badaczy nagłówki, poza swoim naturalnym środowiskiem informacyjnym i poza kontekstem realnej kampanii. Takie badania mierzą, co ludzie potrafią, gdy się ich poprosi o ocenę. Nie mierzą natomiast, co ludzie faktycznie robią, gdy przewijają Facebooka we własnej kuchni tydzień przed głosowaniem.
Zespół z Canberry odwrócił układ. Uczestników zrekrutowano z 4 okręgów o niepewnym wyniku, 2 miejskich i 2 regionalnych, czyli z miejsc, gdzie kampania jest najintensywniejsza, a pojedynczy głos waży najwięcej. Za pomocą narzędzia do prowadzenia dziennika mediowego zgłaszali napotkane treści z dowolnego kanału, od telewizji po komunikatory, opisując powód oznaczenia, poziom pewności i podjęte działanie. Po tygodniu z częścią uczestników przeprowadzono pogłębione wywiady.
Struktura zgłoszeń mówi wiele o realnym środowisku kampanii. 47% oznaczonych treści pochodziło z mediów społecznościowych, głównie z Facebooka i Instagrama, a 14% z telewizji. Aż 49% treści stworzyli politycy i partie, a 18% media głównego nurtu. Jedna trzecia zgłoszeń stanowiły płatne reklamy. Jest tu jeszcze szczegół, który powinien ostudzić część debaty publicznej. Treści wygenerowane przez AI to zaledwie 2% zgłoszeń. Tydzień przed wyborami w dojrzałej demokracji dezinformacją, którą ludzie realnie widzą i oznaczają, są więc zwykłe, produkowane po staremu reklamy i wypowiedzi polityków, nie deepfake’i.
II. „Wiem swoje”. Hierarchia powodów
Pełen rozkład powodów oznaczania układa się w czytelną hierarchię heurystyk.
28% to sprzeczność z własną wiedzą i przekonaniami, 22% to stronniczość przypisywana źródłu albo autorowi, a 17% to brak wystarczających dowodów w samej treści. Po 13% przypada na język emocjonalny i sensacyjny oraz na nieprawdopodobieństwo, czyli wrażenie, że twierdzenie jest zbyt skrajne, by mogło być prawdziwe. Zewnętrzna weryfikacja, w tym odwołania do zawodowych weryfikatorów, zamyka listę z wynikiem 4%.
Innymi słowy, połowa wszystkich rozpoznań dezinformacji opiera się na dwóch filtrach czysto tożsamościowych, czyli na tym, co oznaczający już myśli o świecie, i na tym, co myśli o nadawcy. Tylko co 25. rozpoznanie oparto na czynności, którą programy edukacji medialnej uznają za właściwą, czyli na sprawdzeniu w źródłach.
Najbardziej niepokojący jest jednak rozkład pewności. Uczestnicy byli najbardziej pewni swoich oznaczeń właśnie wtedy, gdy opierali je na sprzeczności z własnymi przekonaniami, a najmniej pewni, gdy wskazywali na stronniczość źródła. Pewność rośnie więc tam, gdzie weryfikowalność spada. Przekonanie o własnej nieomylności jest najsilniejsze dokładnie w tym trybie oceny, który najłatwiej prowadzi na manowce.
Mechanizm ilustrują lustrzane przykłady z badania. Wyborca Koalicji oznaczył jako dezinformację reklamę Partii Pracy przywołującą dane OECD o cięciach, bo nie ufał rządowej interpretacji liczb. Wyborczyni Partii Pracy oznaczyła twierdzenie o planach Koalicji wobec 41 tysięcy urzędników, bo brzmiało dla niej jak straszenie. Obie treści weryfikatorzy ocenili jako oparte na faktach, choć podane tendencyjnie. Obie strony widziały kłamstwo wyłącznie naprzeciwko.
III. Rozjazd z weryfikatorami i problem działania
Zestawienie ocen uczestników z ocenami zawodowych weryfikatorów jest najmocniejszym pojedynczym ustaleniem pracy.
Z treści zgłoszonych jako dezinformacja weryfikatorzy uznali za fałszywe 10%, a za w pełni prawdziwe 37%. Resztę zakwalifikowali do kategorii pośrednich, w tym 24% jako wprowadzające w błąd, 14% jako pozbawione dowodów i 12% jako pozbawione kontekstu. Największa część wyborczego „fałszu” to więc nie kłamstwa, tylko selektywnie podana prawda, czyli materia, wobec której klasyczna weryfikacja faktów jest niemal bezradna, a partyjna heurystyka działa na oślep.
Druga część rozjazdu dotyczy zachowania po oznaczeniu. 44% przypadków nie wywołało żadnego działania. W 21% uczestnicy podzielili się treścią z innymi albo ją przedyskutowali. Dopiero w 17% ktoś poszukał informacji w internecie, żeby zweryfikować twierdzenie. Dzielenie się wyprzedza więc sprawdzanie, a nawet treść uznana za fałszywą krąży dalej, teraz z doklejonym komentarzem oburzenia, który algorytmy odczytują jako zaangażowanie.
Autorzy wskazują na jeszcze jedno ryzyko wynikające z bierności. Powtarzalna ekspozycja na te same twierdzenia buduje efekt złudnej prawdy, ponieważ treść widziana wielokrotnie zaczyna brzmieć znajomo, a znajomość jest odbierana jako wiarygodność. Wyborca, który dezinformację tylko przewija, nie neutralizuje jej, tylko marynuje się w niej.
IV. Co z tego wynika dla polityk publicznych
Badanie prowadzi do dwóch praktycznych wniosków, które autorzy formułują ostrożnie, a które warto doprowadzić do końca.
Pierwszy wniosek dotyczy edukacji medialnej. Programy uczące „rozpoznawania dezinformacji” mogą nieumyślnie wzmacniać problem, bo ludzie już teraz są przekonani, że rozpoznają ją świetnie. Uczestnicy deklarowali wysoką pewność ocen, które w 37% dotyczyły treści prawdziwych. Edukacja powinna więc uczyć nie tyle czujności, ile procedur weryfikacji i, co autorzy nazywają wprost, intelektualnej pokory, czyli umiejętności zawieszenia sądu, zwłaszcza wobec treści, które potwierdzają własne poglądy albo uderzają w przeciwnika.
Drugi wniosek dotyczy regulacji. Skoro połowę oznaczanych treści tworzą politycy i partie, a jedną trzecią stanowią płatne reklamy, ciężar problemu leży w komunikacji samych aktorów politycznych, nie w anonimowych trollach. To kieruje uwagę na australijski ewenement prawny. Australia Południowa od blisko 40 lat karze publikację istotnie nieścisłych i wprowadzających w błąd reklam wyborczych, z możliwością nakazania sprostowania, grzywny, a w skrajnym przypadku unieważnienia wyniku. Podobne prawo od 2021 roku obowiązuje na Terytorium Stołecznym. Poparcie dla wersji federalnej sięga w sondażach blisko 90%, rządowy projekt upadł jednak wraz z końcem poprzedniego parlamentu, a po wyborach 2025 roku niezależni parlamentarzyści złożyli własny projekt. Przeciwnicy wskazują na konstytucyjną wolność komunikacji politycznej i na ogromną pracochłonność egzekwowania. Badanie z Canberry dokłada do tej debaty argument empiryczny. Prawo wymierzone w reklamy polityków celuje dokładnie tam, skąd pochodzi większość treści, które wyborcy uznają za fałszywe.
V. Pięć obserwacji na koniec
Pierwsza obserwacja jest taka, że „dezinformacja” przestała być kategorią opisową i stała się epitetem partyjnym. Dla każdego, kto zawodowo mierzy środowisko informacyjne, płynie z tego wniosek metodologiczny. Zgłoszenia użytkowników, oznaczenia społecznościowe i deklaracje sondażowe o „zetknięciu z dezinformacją” mierzą polaryzację, nie fałsz. Traktowanie ich jako danych o skali dezinformacji jest błędem kategorialnym, ponieważ są to dane o tym, kogo ludzie nie lubią.
Druga obserwacja jest taka, że ustalenie o 2% treści generowanych przez AI zasługuje na osobne podkreślenie, bo koryguje proporcje publicznej paniki. W realnym tygodniu kampanii dominującym nośnikiem tego, co wyborcy uznają za fałsz, były klasyczne reklamy i wypowiedzi polityków. Deepfake’i są realnym ryzykiem przyszłości, ale budżety uwagi i regulacji wydawane wyłącznie na nie omijają problem, który już teraz stanowi połowę zgłoszeń. Nudna, tendencyjna reklama partyjna bije syntetyczne wideo skalą o rząd wielkości.
Trzecia obserwacja mówi o tym, że odwrotna zależność pewności i weryfikowalności jest najbardziej niebezpiecznym pojedynczym ustaleniem badania. Ludzie są najpewniejsi tam, gdzie sprawdzają najmniej. Ta asymetria unieważnia strategie oparte na haśle „bądź czujny”, bo czujność bez procedury wzmacnia dokładnie ten tryb oceny, który generuje fałszywe alarmy. Każdy program edukacyjny i każda kampania społeczna w tej dziedzinie powinny być więc testowane pod kątem jednego ryzyka. Czy nie produkują pewnych siebie ludzi, którzy mylą się częściej.
Czwarta obserwacja dotyczy tego, że wzorzec „44% nic, 21% podaje dalej, 17% sprawdza” opisuje ekonomię uwagi, w której dzielenie się jest tańsze niż weryfikacja. Z perspektywy platform oznacza to, że treść, którą użytkownik w myślach uznał za fałszywą, nadal generuje zaangażowanie, a więc zasięg i przychód. System nagradza oburzenie na dezinformację dokładnie tak samo jak samą dezinformację. Dopóki ta pętla działa, efekt złudnej prawdy pracuje po cichu na rzecz każdego wystarczająco często powtarzanego kłamstwa i półprawdy.
Piąta obserwacja jest zarazem najbardziej fundamentalna. Badanie podważa cichą przesłankę systemów moderacji budowanych na mądrości tłumu, z mechanizmami typu notatki społeczności na czele. Skoro indywidualne rozpoznawanie dezinformacji jest w połowie tożsamościowe, to agregowanie takich rozpoznań nie oczyszcza sygnału, tylko instytucjonalizuje partyjną heurystykę, przyznając przewagę stronie liczniejszej albo lepiej zorganizowanej na danej platformie. Tłum weryfikatorów nie jest weryfikatorem, tylko elektoratem. Każdy system, który nie uwzględni tego na etapie projektowania, będzie mierzył i egzekwował nie prawdziwość treści, tylko układ sił między plemionami, które ją oceniają.
Źródło – Harvard Kennedy School Misinformation Review, Sora Park, Kieran McGuinness, Samuel Kruger, Aaron Davis, University of Canberra, The Australia Institute, The Conversation | Res Futura | resfutura.pl