Биометрия в онлайн-СМИ: антикризисная смена парадигмы

Обложка

Цитировать

Полный текст

Аннотация

Интернет-СМИ в настоящее время борются с кризисом, обусловленным распространением дезинформации и снижением доверия к медиа. Цель исследования - рассмотреть проблемы, с которыми сталкиваются цифровые медиа, и предложить применение биометрических технологий в качестве потенциального решения. Биометрия как передовая технология - это сложный процесс количественной и статистической оценки уникальных физических и поведенческих характеристик, отличающих людей друг от друга. Ее многогранный потенциал простирается далеко за пределы идентификации. Установлено, что биометрия легко справляется с задачами проверки личности, аутентификации контента и борьбы с вредоносными действиями, такими как боты и атаки Сивиллы. Кроме того, с ее помощью можно персонализировать пользовательский опыт, предоставляя уникальные преимущества для решения насущных проблем, стоящих перед онлайн-медиа сегодня. Использование этих возможностей делает биометрию уникальным и многообещающим средством не только для восстановления доверия, но и для борьбы с проблемой дезинформации, в конечном итоге способствуя созданию безопасной и устойчивой экосистемы онлайн-медиа.

Об авторах

Александра Геннадьевна Шилина

Парадайм Ресерч

Автор, ответственный за переписку.
Email: sasha@paradigmfund.io
ORCID iD: 0000-0003-4696-0739

кандидат филологических наук, главный научный сотрудник

Грузия, 6000, Батуми, Горгасали, д. 86

Список литературы

  1. Aldayel, A., & Magdy, W. (2022). Characterizing the role of bots’ in polarized stance on social media. Social Network Analysis and Mining, 12, 30. https://doi.org/10.1007/s13278-022-00858-z
  2. Algavi, L., Volkova, I., Kovalev, G., & Budtsov, G. (2023). Qanon as a transmedia story-telling. Media Education, 19(1), 3-9. https://doi.org/10.13187/me.2023.1.3
  3. Aljabri, M., Zagrouba, R., Shaahid, A., Alnasser, F., Saleh, A., & Alomari, D.M. (2023) Machine learning-based social media bot detection: A comprehensive literature review. Social Network Analysis and Mining, 13, 20. https://doi.org/10.1007/s13278-022-01020-5
  4. Shin, J., & Chan-Olmsted, S. (2023). User perceptions and trust of explainable machine learning fake news detectors. Journal of Communication, 17, 518-540.
  5. Cherrat, E., Alaoui, R., & Bouzahir, H. (2020). Convolutional neural networks approach for multimodal biometric identification system using the fusion of fingerprint, finger-vein and face images. PeerJ Computer Science, 6, e248. https://doi.org/10.7717/peerj-cs.248
  6. Cresci, S., Di Pietro, R., Petrocchi, M., Spognardi, A., & Tesconi, M. (2017). Paradigm-shift of social spambots: Evidence, theories, and tools for the arms race. WWW '17 Companion: Proceedings of the 26th International Conference on World Wide Web Companion (pp. 963-972). https://doi.org/10.1145/3041021.3055135
  7. Del Vicario, M., Bessi, A., Zollo, F., Petroni, F., Scala, A., Caldarelli, G., Stanley, H.E., & Quattrociocchi, W. (2016). The spreading of misinformation online. Proceedings of the National Academy of Sciences, 113(3), 554-559. https://doi.org/10.1073/pnas.1517441113
  8. Di Domenico, G., Sit, J., Ishizaka, A., & Nunan, D. (2021). Fake news, social media and marketing: A systematic review. Journal of Business Research, 124, 329-341. https://doi.org/10.1016/j.jbusres.2020.11.037
  9. Douceur, J.R. (2002). The Sybil attack. In P. Druschel, F. Kaashoek, & A. Rowstron (Eds.), Peer-to-Peer Systems. IPTPS 2002. Lecture Notes in Computer Science (vol. 2429, pp. 251-260). Berlin, Heidelberg: Springer. https://doi.org/10.1007/3-540-45748-8_24
  10. Engelke, K.M., Hase, V., & Wintterlin, F. (2019). On measuring trust and distrust in journalism: Reflection of the status quo and suggestions for the road ahead. Journal of Trust Research, 9(1), 66-86. https://doi.org/10.1080/21515581.2019.1588741
  11. Ferrara, E. (2018). Measuring social spam and the effect of bots on information diffusion in social media. Complex Spreading Phenomena in Social Systems (pp. 229-255). Cham: Springer. https://doi.org/10.1007/978-3-319-77332-2_13
  12. Fink, K. (2019). The biggest challenge facing journalism: A lack of trust. Journalism, 20(1), 40-43. https://doi.org/10.1177/14648849188070
  13. Jin, J. (2022). Convolutional neural networks for biometrics applications. SHS Web of Conferences: 2022 International Conference on Science and Technology Ethics and Human Future, 144, 03013. https://doi.org/10.1051/shsconf/202214403013
  14. Kaur, G., & Verma, C.K. (2014). Comparative analysis of biometric modalities. International Journal of Advanced Research in Computer Science and Software Engineering, 4(4).
  15. Kavazi, D., Smirnov, V., Shilina, S., MOZGIII, Li, M., Contreras, R., Gajera, H., Lavrenov, D. (2021). Humanode. Whitepaper v. 0.9.6 “You are [not] a bot”. https://doi.org/10.13140/RG.2.2.25572.91528
  16. Kolo, C., Mütterlein, J., & Schmid, S.A. (2022). Believing journalists, AI, or fake news: The role of trust in media. Proceedings of the 55th Hawaii International Conference on System Sciences. Retrieved September 21, 2023, from http://hdl.handle.net/10125/79727
  17. Park, S., Fisher, C., Flew, T., & Dulleck, U. (2020). Global mistrust in news: The impact of social media on trust. International Journal on Media Management, 22(2), 83-96. https://doi.org/10.1080/14241277.2020.1799794
  18. Pennycook, G., & Rand, D.G. (2021). The psychology of fake news. Trends in Cognitive Sciences, 25(5), 388-402. https://doi.org/10.1016/j.tics.2021.02.007
  19. Prochazka, F., & Schweiger, W. (2019). How to measure generalized trust in news media? An adaptation and test of scales. Communication Methods and Measures, 13(1), 26-42. https://doi.org/10.1080/19312458.2018.1506021
  20. Raheem, E.A., Ahmad, S.M.S., & Adnan, W.A.W. (2019). Insight on face liveness detection: A systematic literature review. International Journal of Electrical and Computer Engineering, 9(6), 5865. http://doi.org/10.11591/ijece.v9i6.pp5165-5175
  21. Shao, C., Ciampaglia, G.L., Varol, O., Yang, K., Flammini, A., & Menczer, F. (2018). The spread of low-credibility content by social bots. Nature Communications, 9, 4787. https://doi.org/10.1038/s41467-018-06930-7
  22. Thakur, S., & Breslin, J.G. (2021). Rumour prevention in social networks with layer 2 blockchains. Social Network Analysis and Mining, 11, 104. https://doi.org/10.1007/s13278-021-00819-y
  23. Usher, N. (2018). Re-thinking trust in the news: A material approach through “Objects of Journalism”. Journalism Studie, 19(4), 564-578. https://doi.org/10.1080/1461670X.2017.1375391
  24. Волкова И.И., Лазутова Н.М. Экранные массмедиа и экология человека: от зачаровывания к присоединению // Вестник Оренбургского государственного университета. 2017. № 12 (212). С. 106-111. https://doi.org/10.25198/1814-6457-212-106
  25. 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.aap95
  26. Zhang, X., & Ghorbani Ali, A. (2020). An overview of online fake news: Characterization, detection, and discussion. Information Processing & Management, 57(2). https://doi.org/10.1016/j.ipm.2019.03.004

Дополнительные файлы

Доп. файлы
Действие
1. Biometrics for media crisis

Скачать (45KB)
Метаданные

© Шилина А.Г., 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах