Το πρόγραμμα μας αναγνωρίζει τις ψευδείς ειδήσεις. Από τα κριτήρια που μπορούσαμε να χρησιμοποιήσουμε εμείς κατασταλάξαμε στον εντοπισμό χαρακτηριστικών λέξεων στον τίτλο.

Έχει παρατηρηθεί ότι οι ψευδείς ειδήσεις τείνουν να χρησιμοποιούν διαφορετικές λέξεις στον τίτλο και στο κείμενο από τις αληθινές και ένα πρόγραμμα μηχανικής μάθησης θα μπορούσε να χρησιμοποιήσει αυτό το κριτήριο για να τις ξεχωρίσει.

Το αποθετήριό μας είναι εδώ.

Το βίντεό μας είναι εδώ.

Το πρόγραμμά μας ξεκίνησε από ένα πρόβλημα που εντοπίστηκε κατά την περίοδο του κορωνοϊού, όπου πολλές ψευδείς ειδήσεις “κάλπαζαν” στο διαδίκτυο και οι άνθρωποι δεν μπορούν να εμπιστευτούν καμία πηγή. Έτσι αποφασίσαμε να δημιουργήσουμε ένα πρόγραμμα με το οποίο να ελέγχουμε την αξιοπιστία των άρθρων.

Το Machine Learning παρουσιάζει από μόνο του πολλές δυσκολίες, οπότε χρειάστηκε να εργαστούμε περισσότερο από άλλα προγράμματα για να το ολοκληρώσουμε. Ήταν η πρώτη φορά που η ομάδα ήρθε σε επαφή με τεχνικές Machine Learning.

Η Python ήταν ανάμεσα στις πιθανές επιλογές η πιο απλή για να ασχοληθούμε με Machine Learning, αλλά και σε αυτή την περίπτωση παρουσίασε δυσκολίες.

Λόγω του γεγονότος ότι η ομάδα ήταν μεγάλη και είχε διαφορετικά προγράμματα δραστηριοτήτων είχαμε δυσκολία ως προς το να οργανώσουμε τις κοινές online συναντήσεις μας. Η επικοινωνία μας μπορούσε να γίνεται αποκλειστικά online καθώς τα μέλη της ομάδας ήταν από Ρόδο και Αθήνα.

Όσον αφορά τις δυνατότητες βελτίωσης

1. Όπως σε κάθε πρόγραμμα Machine Learning, υπάρχει πάντα η πιθανότητα λάθους, δηλαδή να αναγνωριστεί ως ψευδής μία αληθινή είδηση και το ανάποδο. Οπότε μία δυνατότητα βελτίωσης θα ήταν το πρόγραμμά μας να γίνει καλύτερο ως προς τη σωστή αναγνώριση των ψευδών ή αληθινών ειδήσεων.

2. Θα μπορούσαμε να χρησιμοποιήσουμε κι άλλα κριτήρια αναγνώρισης ψευδών ειδήσεων, όπως η χρήση λέξεων και μέσα στο κείμενο εκτός από τον τίτλο, η παλαιότητα των εικόνων, τα ορθογραφικά λάθη και τα σημεία στίξης, και να συνδυάσουμε το αποτέλεσμά τους.

3. Θα μπορούσαμε να κάνουμε μερική αναγνώριση, δηλαδή σε μία κυρίως αληθινή είδηση να εντοπίζουμε ψευδή στοιχεία ή και το αντίθετο.

4. Θα μπορούσε το πρόγραμμα να ενσωματωθεί σε έναν browser για να ειδοποιεί εκείνη την ώρα τον χρήστη για το αν μία είδηση είναι ψευδής. Επίσης θα μπορούσε να τον ενημερώνει βάσει ποιων κριτηρίων την αναγνώρισε ως ψευδή και, αν είναι δυνατόν, να τον οδηγεί σε μία άλλη σελίδα με αντίστοιχη που να περιλαμβάνει μόνο αληθινά στοιχεία.

5. Θα μπορούσε το πρόγραμμα μετά από ένα συγκεκριμένο πλήθος ψευδών ειδήσεων από ένα συγκεκριμένο site να θέτει μία βαθμολογία αξιοπιστίας και στο εξής να χρησιμοποιεί και αυτό το κριτήριο κατά την αξιολόγηση μίας είδησης.

6. Θα μπορούσε το πρόγραμμα εκτός από την αναγνώριση μίας είδησης ως ψευδούς, να προσπαθεί να αντιληφθεί αν έχει γίνει σκόπιμη παραποίηση της είδησης ή αν πρόκειται για απλή αναπαραγωγή της, αξιοποιώντας άλλα άρθρα του ίδιου συγγραφέα.

Συμμετέχοντες
Μαθητές (CoderDojo Ninjas)
Μιχάλης Γρίβας (Α Λυκείου)
Κατερίνα Τσιρίμπη (Α Λυκείου)
Σταματία Χατζή (Α Λυκείου)
Νεφέλη Μίχαλου (Α Λυκείου)
Γιώργος Χατζής (Γ Γυμνασίου)

Εκπαιδευτικοί
Μάνος Ζεάκης (Φυσικός Ραδιοηλεκτρολόγος / CoderDojo Champion)
Αγγελική Νικολάου (Αρχιτέκτονας – Εκπαιδευτικός / CoderDojo Facilitator)
Βαλάντης Χατζημάγκας (Πληροφορικός Μηχανικός Ηλεκτρονικών Υπολογιστών / CoderDojo Mentor)

Στην κατανόηση βασικών εννοιών των Ψευδών Ειδήσεων και στην επιλογή του κριτηρίου αναγνώρισης μας βοήθησαν οι Κατσαουνίδου Αναστασία και Κουτρουμπέλης Ανδρόνικος από τα Ellinika Hoaxes.

Στο υλικό που χρησιμοποιήσαμε για το Machine Learning είχαμε τη βοήθεια του Data Scientist Ευγένιου Οικονόμου.