Análisis lingüístico de las noticias falsas: Detección de tácticas de manipulación
Barra lateral del artículo
Contenido principal del artículo
Resumen
Introducción: El artículo se centra en el aspecto lingüístico del análisis de noticias falsas en inglés en busca de estrategias manipuladoras de influencia en la audiencia. El material de estudio son textos de noticias falsas en inglés seleccionados de medios sociales y sitios web de noticias, en particular sobre la pandemia COVID-19, las elecciones políticas y la amenaza del cambio climático. La relevancia del trabajo viene determinada por el importante papel de las noticias falsas en la formación de la opinión pública, la necesidad de aumentar la alfabetización mediática, especialmente en la sociedad anglófona, ya que el inglés es el idioma de la comunicación global, y por la creación de mecanismos eficaces para revelarlas y combatirlas. Objetivo: El estudio pretende definir las características léxicas, estilísticas y discursivas de las fake news y revelar las principales estrategias de manipulación. Método: El estudio se basa en una metodología exhaustiva que incluye análisis de contenido, análisis del discurso y métodos psicolingüísticos y comparativos. Resultados: Se ha descubierto que los textos de noticias falsas se caracterizan por utilizar un vocabulario teñido de emotividad, afirmaciones categóricas y diferentes recursos retóricos como la exageración, el alarmismo y la distorsión de los hechos. El análisis léxico y semántico revela que las estrategias de manipulación en el material examinado tienen como objetivo provocar una reacción emocional en el destinatario, en particular miedo e indignación. Conclusiones: Así, la comparación con textos de noticias auténticas muestra que las noticias falsas se centran en elementos dramáticos, mientras que los textos reales se centran en información objetiva y neutral.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
1 DERECHOS DE AUTOR
1.1 Los derechos de edición son de la Universidad Francisco de Vitoria y es necesario su permiso para cualquier reproducción. Por este motivo los autores deberán firmar un acuerdo de cesión de derechos y declaración de conflicto de intereses. Este es un requisito necesario para la publicación del artículo. En todo caso será necesario indicar la procedencia de cualquier reproducción total o parcial.
1.2 La UFV conserva los derechos patrimoniales (copyright) de las obras publicadas, y favorece y permite la reutilización de las mismas bajo la licencia de uso indicada en CREATIVE COMMONS.
Cómo citar
Referencias
Ahammad, T. (2024). Identifying hidden patterns of fake COVID-19 news: An in-depth sentiment analysis and topic modelling approach. Natural Language Processing Journal, 6, 100053. https://doi.org/10.1016/j.nlp.2024.100053
Bakir, V., & McStay, A. (2017). Fake News and the Economy of Emotions. Digital Journalism, 6(2), 154–175. https://doi.org/10.1080/21670811.2017.1345645
Gaillard, S., Oláh, Z. A., Venmans, S., & Burke, M. (2021). Countering the Cognitive, Linguistic, and Psychological Underpinnings Behind Susceptibility to Fake News: A Review of Current Literature with Special Focus on the Role of Age and Digital Literacy. Frontiers in Communication, 6, 661801. https://doi.org/10.3389/fcomm.2021.661801
Gandziuk, V., Tsepkalo, T., Oleksenko, V., Kalenych, V., Oliinyk, A., & Bezchotnikova, S. (2023). Synergy of journalists’ acquisition of speech and social-communicative competences. Revista Românească pentru Educaţie Multidimensională, 15(4), 237–251. https://doi.org/10.18662/rrem/15.4/791
Grieve, J., & Woodfield, H. (2023). The Language of Fake News. Elements in Forensic Linguistics. Cambridge University Press. https://doi.org/10.1017/9781009349161
Molina, M. D., Sundar, S. S., Le, T., & Lee, D. (2021). "Fake News" Is Not Simply False Information: A Concept Explication and Taxonomy of Online Content. American Behavioural Scientist, 65(2), 180–212. https://doi.org/10.1177/0002764219878224
Musgrove, A. T., Powers, J. R., Rebar, L. C., & Musgrove, G. J. (2018). Real or Fake? Resources for Teaching College Students How to Identify Fake News. College & Undergraduate Libraries, 25(3), 243–260. https://doi.org/10.1080/10691316.2018.1480444
O'Brien, N., Latessa, S., Evangelopoulos, G., & Boix, X. (2018). The Language of Fake News: Opening the Black-Box of Deep Learning Based Detectors. In 32nd Conference on Neural Information Processing Systems (NIPS 2018). (pp. 1–5). Montréal, Canada. https://dspace.mit.edu/handle/1721.1/120056
Oshikawa, R., Qian, J., & Wang, W. Y. (2020). A Survey on Natural Language Processing for Fake News Detection. Proceedings of the 12th Language Resources and Evaluation Conference (LREC 2020), arXiv:1811.00770, 6086-6093. https://doi.org/10.48550/arXiv.1811.00770
Pathak, A., & Srihari, R. K. (2019, July). BREAKING! Presenting fake news corpus for auto-mated fact checking. In Proceedings of the 57th annual meeting of the association for computational linguistics: student research workshop. (pp. 357–362). Florence, Italy. https://doi.org/10.18653/v1/P19-2050
Pennycook, G., Cannon, T. D., & Rand, D. G. (2018). Prior Exposure Increases Perceived Accuracy of Fake. Journal of Experimental Psychology: General, 147(12), 1865–1880. https://doi.org/10.2139/ssrn.2958246
Przybyla, P. (2020, April). Capturing the style of fake news. In Proceedings of the AAAI Conference on Artificial Intelligence, 34(01), 490–497. https://doi.org/10.1609/aaai.v34i01.5386
Rapp, D. N., & Salovich, N. A. (2018). Can't We Just Disregard Fake News? The Consequences of Exposure to Inaccurate Information. Policy Insights from the Behavioral and Brain Sciences, 5(2), 232–239. https://doi.org/10.1177/2372732218785193
Schmidt, A., & Wiegand, M. (2017, April). A survey on hate speech detection using natural language processing. In Proceedings of the Fifth International Workshop on Natural Language Processing for Social Media. (pp. 1–10). Valencia, Spain. https://doi.org/10.18653/v1/W17-1101
Shu, K., Sliva, A., Wang, S., Tang, J., & Liu, H. (2017). Fake news detection on social media: A data mining perspective. ACM SIGKDD explorations newsletter, 19(1), 22–36. https://doi.org/10.1145/3137597.3137600
Tandoc, E. C., Lim, Z. W., & Ling, R. (2017). Defining "Fake News". Digital Journalism, 6(2), 137–153. https://doi.org/10.1080/21670811.2017.1360143
Vosoughi, S., Roy, D., & Aral, S. (2018). The Spread of True and False News Online. Science, 359(6380), 1146–1151. https://doi.org/10.1126/science.aap9559
Xu, S. (2018). Bayesian Naïve Bayes classifiers to text classification. Journal of Information Science, 44(1), 48–59. https://doi.org/10.1177/0165551516677946
Zavalniuk, I., Bohatko, V., Pavlyuk, O., Kholod, I., & Horobets, R. (2021). Сognitive linguistics and modern language pedagogy. Ad Alta: Journal of Interdisciplinary Research, 11(2), Special Issue XXVI, 171−174. http://www.magnanimitas.cz/ADALTA/110224/papers/A_30.pdf
Zhou, X., & Zafarani, R. (2020). A survey of fake news: Fundamental theories, methods detection, and opportunities. ACM Computing Surveys (CSUR), 53(5), 1–40. https://doi.org/10.1145/3395046