宾厄姆顿大学的管理学院（SOM）进行了研究，该研究提出了解决方案，以抗击假新闻的传播机器学习和区块链技术。
在管理信息系统助理教授Thi Tran的带领下，该研究强调了解决错误信息造成的潜在伤害的重要性。
确定伤害规模
该研究旨在开发一种系统的方法来确定特定内容可能对受众造成的伤害规模，重点是最具破坏性的罪犯。
例如，在COVID-19大流行期间，有关替代治疗的虚假信息流通，将注意力转移到了疫苗的重要性中。
“如果造成影响读者或受众的伤害，我们最有可能关心假新闻。如果人们认为没有伤害，他们更有可能分享错误的信息，”说Thi Tran。
他补充说：“危害来自听众是否根据错误信息的主张行动，还是因此拒绝适当的行动。如果我们有系统的方式来识别错误信息将在哪里造成最大的伤害，这将帮助我们知道在哪里专注于缓解措施。”
提出的机器学习框架是人工智能的一个分区（AI），旨在利用数据和算法来识别错误信息的迹象并增强检测过程。
该系统可以通过考虑用户特征（包括教育水平和政治信念）来准确预测个人对特定错误信息信息的敏感性。该危害指数将评估一个人如果暴露并受到假新闻的影响的损害的潜在严重性。
脆弱性
Tran强调用户特征在确定其脆弱性错误信息方面的重要性。机器学习系统可以根据消息属性，个性的个性和背景来个性化建议，从而提供了有关成为特定错误信息受害者的可能性的见解。
虽然以前已将区块链技术作为打击虚假新闻的工具，但Tran的研究通过研究对此类系统的用户接受而深入研究。该研究模型旨在发现说服人们在反对错误信息的斗争中采用区块链技术的最引人注目的方法。
Tran的方法涉及两个小组之间的调查：假新闻缓解者，包括政府组织，新闻媒体和社交网络管理员；以及可能遇到假新闻消息的内容用户。
参与者准备在不同情况下采用现有区块链系统的准备就可以通过这些调查进行评估。区块链技术的可追溯性方面被证明在确定和分类错误信息的来源方面非常有益，从而增强了模式识别和检测能力。
Tran的研究旨在提高个人对认识错误信息模式和对共享未验证内容的谨慎模式的认识。 Tran的工作是出版在信息科学VI论文中的两种破坏性技术中。
