{"id":749,"date":"2021-01-07T17:19:38","date_gmt":"2021-01-07T16:19:38","guid":{"rendered":"http:\/\/localhost\/?page_id=749"},"modified":"2024-02-15T12:22:28","modified_gmt":"2024-02-15T11:22:28","slug":"crowdsourcing-truthfulness","status":"publish","type":"page","link":"http:\/\/smdc.uniud.it\/smdc\/crowdsourcing-truthfulness\/","title":{"rendered":"Crowdsourcing Truthfulness"},"content":{"rendered":"\n

La diffusione della disinformazione (online) \u00e8 un problema che danneggia la societ\u00e0, poich\u00e9 le informazioni a cui le persone hanno accesso finiscono per influenzare i loro processi decisionali. La capacit\u00e0 di distinguere tra affermazioni vere e false sta diventando, pertanto, sempre pi\u00f9 importante con il passare del tempo. Un modo per valutare la veridicit\u00e0 delle informazioni consiste nell’affidarsi ad esperti umani che svolgono un’attivit\u00e0 di verifica dei fatti (fact-checking<\/em>). Tuttavia, la quantit\u00e0 sempre crescente di disinformazione
sta rendendo questo compito pi\u00f9 impegnativo, se non addirittura impraticabile, nel tempo. Inoltre, l’importo limitato di
esperti formati rendono l’intero processo costoso e non scalabile. Una possibile alternativa \u00e8 affidarsi a tecniche di apprendimento automatico. (machine learning<\/em>) Tali tecniche, tuttavia, richiedono una grande quantit\u00e0 di dati per la fase di addestramento e le loro affidabilit\u00e0, efficacia e spiegabilit\u00e0 spesso non sono adeguate.
Per affrontare i problemi di tali approcci si pu\u00f2 pensare di fare affidamento sulla grande quantit\u00e0 di persone non esperte che
consuma informazioni e chiedere loro di svolgere l’attivit\u00e0 di verifica dei fatti. \u00c8 possibile utilizzare approcchi basati sul crowdsourcing<\/em> per raccogliere giudizi di veridicit\u00e0 forniti da persone non esperte su un insieme di affermazioni (statement<\/em>) [12, 13, 14, 15]. Tale decisione comporta numerose opportunit\u00e0 ma anche difficolt\u00e0; nonstante sia possibile raccogliere una grande quantit\u00e0 di dati in un tempo ridotto, non vi \u00e8 alcuna garanzia sulla qualit\u00e0 dei dati raccolti. La soluzione
che intendiamo studiare \u00e8 l’integrazione di questi tre approcci, per far fronte alle suddette difficolt\u00e0 preservando i vantaggi delle diverse metodologie. Il nostro obiettivo di ricerca a lungo termine consiste nel costruire un sistema human-in-the-loop<\/em> che consenta di affrontare la disinformazione misurando la veridicit\u00e0 delle informazioni in tempo reale sfruttato il lavoro di valutatori non esperti e tecniche di apprendimento automatico.<\/p>\n\n\n\n

Pubblicazioni<\/h2>\n\n\n\n

1. Multidimensional News Quality: A Comparison of Crowdsourcing and Nichesourcing<\/h4>\n\n\n\n

Eddy Maddalena and Davide Ceolin and Stefano Mizzaro (2018). Proceedings of the CIKM 2018 Workshops co-located with 27th ACM International Conference on Information and Knowledge Management (CIKM 2018), Torino, Italy, October 22, 2018<\/em>. CEUR-WS.org.<\/p>\n\n\n\n

2. How Many Truth Levels? Six? One Hundred? Even More? Validating Truthfulness of Statements via Crowdsourcing<\/a> (2018)<\/h4>\n\n\n\n

Roitero, Kevin; Spina, Damiano; Demartini, Gianluca; Mizzaro, Stefano. Workshop on Rumours and Deception in Social Media<\/em>, 2018.<\/p>\n\n\n\n

3. Crowdsourcing Truthfulness: The Impact of Judgment Scale and Assessor Bias (2020)<\/h4>\n\n\n\n

David La Barbera and Kevin Roitero and Gianluca Demartini and Stefano Mizzaro and Damiano Spina (2020). In Advances in Information Retrieval – 42nd European Conference on IR Research, ECIR 2020, Lisbon, Portugal, April 14-17, 2020, Proceedings, Part II<\/em> (pp. 207\u2013214). Springer.<\/p>\n\n\n\n

\n