\n<\/p>\n
elecciones auton\u00f3micas de espa\u00f1a<\/span> Todav\u00eda faltan casi cuatro meses, pero Irene Larraz y su equipo en Newtral ya est\u00e1n preparados para el impacto. Cada ma\u00f1ana, la mitad del equipo de Larraz en la empresa de medios con sede en Madrid establece un horario de discursos y debates pol\u00edticos, prepar\u00e1ndose para verificar las declaraciones de los pol\u00edticos. La otra mitad, que desacredita la desinformaci\u00f3n, escanea la web en busca de falsedades virales y trabaja para infiltrarse en grupos que difunden mentiras. Una vez que terminen las elecciones de mayo, se debe convocar una elecci\u00f3n nacional antes de fin de a\u00f1o, lo que probablemente provocar\u00e1 una avalancha de falsedades en l\u00ednea. \u201cVa a ser bastante dif\u00edcil\u201d, dice Larraz. \u201cYa nos estamos preparando\u201d.<\/p>\n La proliferaci\u00f3n de informaci\u00f3n err\u00f3nea y propaganda en l\u00ednea ha significado una batalla cuesta arriba para los verificadores de hechos en todo el mundo, quienes tienen que examinar y verificar grandes cantidades de informaci\u00f3n durante situaciones complejas o de r\u00e1pido movimiento, como la invasi\u00f3n rusa de Ucrania, la pandemia de Covid-19. , o campa\u00f1as electorales. Esa tarea se ha vuelto a\u00fan m\u00e1s dif\u00edcil con el advenimiento de los chatbots que utilizan modelos de lenguaje grandes, como ChatGPT de OpenAI, que puede producir texto que suene natural con solo hacer clic en un bot\u00f3n, esencialmente automatizando la producci\u00f3n de informaci\u00f3n err\u00f3nea. <\/p>\n Frente a esta asimetr\u00eda, las organizaciones de verificaci\u00f3n de hechos tienen que crear sus propias herramientas impulsadas por IA para ayudar a automatizar y acelerar su trabajo. Est\u00e1 lejos de ser una soluci\u00f3n completa, pero los verificadores de hechos esperan que estas nuevas herramientas al menos eviten que la brecha entre ellos y sus adversarios se ampl\u00ede demasiado r\u00e1pido, en un momento en que las empresas de redes sociales est\u00e1n reduciendo sus propias operaciones de moderaci\u00f3n.<\/p>\n \u201cLa carrera entre los verificadores de hechos y aquellos a quienes est\u00e1n verificando es desigual\u201d, dice Tim Gordon, cofundador de Best Practice AI, una firma de asesor\u00eda de gobernanza y estrategia de inteligencia artificial, y fideicomisario de una organizaci\u00f3n ben\u00e9fica de verificaci\u00f3n de hechos del Reino Unido.<\/p>\n \u201cLos verificadores de hechos suelen ser organizaciones diminutas en comparaci\u00f3n con las que producen desinformaci\u00f3n\u201d, dice Gordon. \u201cY la escala de lo que puede producir la IA generativa, y el ritmo al que puede hacerlo, significa que esta carrera solo se volver\u00e1 m\u00e1s dif\u00edcil\u201d.<\/p>\n Newtral comenz\u00f3 a desarrollar su modelo de lenguaje de IA multiling\u00fce, ClaimHunter, en 2020, financiado con las ganancias de su ala de televisi\u00f3n, que produce un programa de verificaci\u00f3n de hechos pol\u00edticos y documentales para HBO y Netflix.<\/p>\n Usando el modelo de lenguaje BERT de Microsoft, los desarrolladores de ClaimHunter usaron 10,000 declaraciones para entrenar al sistema para que reconozca oraciones que parecen incluir declaraciones de hechos, como datos, n\u00fameros o comparaciones. \u201cEst\u00e1bamos ense\u00f1ando a la m\u00e1quina a desempe\u00f1ar el papel de verificador de hechos\u201d, dice el director de tecnolog\u00eda de Newtral, Rub\u00e9n M\u00edguez.<\/p>\n Simplemente identificar las afirmaciones hechas por figuras pol\u00edticas y cuentas de redes sociales que deben verificarse es una tarea ardua. ClaimHunter detecta autom\u00e1ticamente las afirmaciones pol\u00edticas realizadas en Twitter, mientras que otra aplicaci\u00f3n transcribe en texto la cobertura de video y audio de los pol\u00edticos. Ambos identifican y resaltan declaraciones que contienen una afirmaci\u00f3n relevante para la vida p\u00fablica que se puede probar o refutar, como en declaraciones que no son ambiguas, preguntas u opiniones, y se las env\u00edan a los verificadores de hechos de Newtral para su revisi\u00f3n.<\/p>\n El sistema no es perfecto y ocasionalmente marca opiniones como hechos, pero sus errores ayudan a los usuarios a volver a entrenar continuamente el algoritmo. Ha reducido el tiempo que lleva identificar las declaraciones que vale la pena verificar entre un 70 y un 80 por ciento, dice M\u00edguez.<\/p>\n<\/div>\n