Investigadores de la Universitat Politècnica de València han desarrollado un sistema de alerta temprana que identifica, en las primeras horas de una crisis, qué contenidos potencialmente falsos o engañosos tienen más riesgo de hacerse virales en redes sociales.
El método se denomina Disinformation Diffusion Virality Risk Index (DDVRI) y ha sido diseñado para que equipos de verificación, instituciones y servicios de comunicación puedan decidir con rapidez qué mensajes revisar primero cuando su capacidad de análisis es limitada.
Según explica Juan José Climent Ferrer, uno de los investigadores implicados, ‘no basta con determinar si una información puede ser falsa; también es necesario saber si tiene posibilidades de difundirse ampliamente y convertirse en un problema relevante. Y eso es lo que permite conocer nuestro trabajo’. De este modo, el sistema añade una capa de análisis sobre el impacto potencial de cada contenido.
Herramienta centrada en las primeras horas
El DDVRI se ha centrado en aprovechar solo los datos disponibles en las primeras fases de circulación de un mensaje. Para ello analiza el contenido del mensaje, las características de la fuente que lo difunde, la velocidad de propagación inicial y la estructura de esa propagación en la red.
A partir de esa información, el sistema genera una clasificación de los mensajes según su riesgo combinado de desinformación y viralidad. Esto permite concentrar los recursos de verificación en los contenidos que, además de ser potencialmente falsos, muestran una dinámica de difusión más peligrosa.
El trabajo lo han desarrollado J. Ernesto Solanes, Juan José Climent-Ferrer, Flavio Moriniello, Ana Martí-Testón, Adolfo Muñoz y Luis Gracia, todos ellos integrantes del grupo Hume del instituto de Diseño y Fabricación de la UPV (IDF). El equipo ha validado la metodología con datos sobre rumores y desinformación sanitaria en redes sociales, un ámbito donde la rapidez resulta especialmente crítica.
Validación con bases de datos de rumores y COVID-19
Para comprobar el rendimiento del DDVRI, los investigadores han utilizado dos bases de datos abiertas. La primera, PHEME, recoge conversaciones y rumores en la red social X vinculados a acontecimientos de actualidad. La segunda, CoAID, incluye noticias y afirmaciones falsas y verdaderas relacionadas con la COVID-19, junto con datos sobre su interacción en redes sociales.
En el experimento con PHEME, el sistema ha empleado únicamente las primeras seis horas de actividad de cada contenido para estimar qué mensajes alcanzarían una elevada difusión en un horizonte de 72 horas. De esta forma, ha simulado el escenario real de una crisis informativa en tiempo casi real.
Entre los 50 mensajes situados en las primeras posiciones de cada evento analizado, la presencia de contenidos que combinaban riesgo factual y alta difusión ha sido aproximadamente tres veces superior a la prevalencia media de esos casos en el conjunto de mensajes estudiados. Esto indica que el índice logra concentrar en los primeros puestos muchos de los contenidos más problemáticos.
Los ensayos con la base CoAID han confirmado también la utilidad de la herramienta. En una de las configuraciones del modelo, el 27 % de los 50 primeros mensajes seleccionados correspondía a casos que combinaban desinformación y alta amplificación, una proporción muy superior a la media del conjunto. Así, el sistema ha demostrado capacidad para filtrar y priorizar los mensajes de mayor riesgo.
Apoyo a verificadores, instituciones y servicios de comunicación
El equipo del IDF plantea el DDVRI como una herramienta de apoyo para profesionales de la verificación, administraciones públicas y departamentos de comunicación que deben gestionar un gran volumen de información en situaciones de crisis. Las alertas que genera el sistema orientan sobre qué contenidos conviene examinar primero.
Los investigadores subrayan que la decisión final sobre la veracidad de los mensajes sigue siendo responsabilidad de los equipos humanos. La comprobación de los hechos, la contextualización y cualquier medida posterior continúan en manos de periodistas, verificadores e instituciones.
Climent aclara que ‘el sistema no está planteado para decidir automáticamente qué contenidos deben eliminarse de una red social. Nuestro objetivo es que el sistema funcione, digamos, como una herramienta de triaje y priorización, ayudando a equipos humanos de verificación, instituciones o servicios de comunicación a decidir dónde concentrar primero una capacidad de revisión que suele ser limitada’.
El proyecto ha recibido financiación del programa Digital Europe de la Unión Europea, a través de la iniciativa AI-SECRETT, además del apoyo del Gobierno de España y de la Generalitat, lo que ha permitido desarrollar y testar el modelo con datos reales de desinformación sanitaria en redes sociales.
