时间至关重要，因为大量更新正在互联网和社交媒体上传播。公众渴望找到可信赖的信息。

虚假信息可能导致不良后果。新闻、社交媒体和政府组织在近年来采取了新的策略，更加注重事实核查和标记误导性帖子，以提供听众所需的重要背景。

但是，内容创作者如何将他们的努力集中在可能对公众造成最大伤害的领域呢？宾汉姆顿大学管理学院（SOM）的研究为此提供了可能的解决方案，包括提议的机器学习框架以及区块链技术的扩展应用。

如果虚假新闻对读者或听众造成影响，我们最有可能关心它。如果人们认为没有损害，他们更可能分享错误信息。伤害来自听众是否根据虚假信息的声明采取行动，或者是否因其而拒绝采取适当行动。如果我们有一种系统化的方法来确定虚假信息可能造成最大伤害的位置，那将帮助我们知道应该在哪里集中减轻。

Tran最近在国际非营利组织SPIE主办的一次会议上介绍了他的研究成果。其中一篇论文着眼于基于机器学习的框架。另一篇论文涉及使用区块链技术。这两篇论文也作为创新技术应用在信息科学中的一部分发表。

Tran的研究提出了机器学习系统来帮助确定内容对受众可能造成伤害的程度，并锁定最严重的违规行为。例如，在COVID-19大流行期间，一些虚假信息宣传了与疫苗相对的治疗方法。

该框架将利用数据和算法来发现虚假信息的指标，并利用这些例子来改进检测过程。它还将考虑具有有关假新闻的先前经验或知识的用户特征，以帮助构建伤害指数。该指数将反映在特定的背景下，如果一个人接触并成为虚假信息的受害者，可能会遭受的伤害程度。

根据收集到的信息，机器学习系统可以帮助虚假新闻减轻者分辨出如果允许它们传播而可能造成最大破坏的信息。

虽然已经进行了其他关于使用区块链技术作为打击假新闻工具的研究，但Tran的研究通过更详细地探讨用户对这种系统的可接受性，扩展了以前的研究结果。

Tran从两个群体中调查1000人：假新闻减轻者（政府组织、新闻机构和社交网络管理员）以及可能会接触到假新闻信息的内容使用者。该调查将列出三种现有的区块链系统，并评估参与者在不同情境下使用这些系统的意愿。

可追溯性是区块链的一个很好的特点，因为它可以识别和分类虚假信息的来源，有助于认识到这些模式。

希望这项研究可以帮助我们更多地教育人们，让他们意识到这些模式，这样他们就知道在共享之前何时验证信息，并会更加警觉标题与内容本身之间的不符，这将阻止误传虚假信息。