Content uploaded by Carlos Franco
Author content
All content in this area was uploaded by Carlos Franco on Nov 13, 2024
Content may be subject to copyright.
Modelo de Fact-Checking para coberturas en vivo: caso UAI-Tele13
Carlos Franco - Mag. Comunicación estratégica. Director Observatorio de Datos
Escuela de Comunicaciones y Periodismo Universidad Adolfo Ibáñez.
Resumen de ponencia presentada en Conferencia INCOM en noviembre de 2022.
Introducción
Fact-Checking es la práctica de chequear y verificar hechos y datos provenientes
de mensajes de diversa índole. En Chile, el primer equipo dedicado a esta tarea es
El Polígrafo, sección del diario El Mercurio cuyas publicaciones datan de 2013.
Seis años después, el alto tráfico de contenidos a través de redes sociales en medio
de la crisis socio-política denominada “Estallido Social”, produjo un auge de equipos
llegando a 17 a nivel nacional, según reportó en diciembre de 2019 la
International Fact-Checking Network[1]
En el mundo desarrollado los planteles exploran modelos de verificación y chequeo
mediante algoritmos e inteligencia artificial, apostando por la inmediatez mediante
sistemas supervisados de redes neuronales (Atanasova et al)[2] mientras que en
Chile todos los equipos realizan Fact-Checking humano, por lo cual los tiempos de
respuesta resultan más lentos.
Problema
El problema de la inmediatez en ejercicios de Fact-checking cobró fuerza a fines de
octubre de 2021, cuando el entonces candidato a la presidencia de Chile, Gabriel
Boric, sugirió para el debate televisivo de los aspirantes a La Moneda “un equipo
imparcial de chequeo de datos”. El presidente de la Asociación Nacional de
Televisión (Anatel), Ernesto Corona, hizo ver lo difícil que resultaba porque no se
había hecho en ninguna parte[3].
Esta ponencia muestra un modelo de Fact-Checking para cobertura en vivo,
resultado del trabajo de un equipo de chequeadores del Observatorio de Datos de
la Escuela de Comunicaciones y Periodismo de la Universidad Adolfo Ibáñez para
el departamento de prensa de Canal 13, en el debate presidencial televisivo de
primera vuelta en noviembre de 2021.
Objetivos:
• Conseguir chequeos de calidad y rigor metodológico
• Optimizar los tiempos a favor de la inmediatez
• Presentar resultados de los chequeos con sentido televisivo
• Establecer criterios de ecuanimidad
• Conseguir un modelo innovador para las dos partes involucradas: la industria
de medios y la academia
• Convertir el trabajo en una experiencia de aprendizaje para los estudiantes
chequeadores
Desarrollo
Se tomó como base, la metodología de trabajo del Observatorio de Datos que
incluye los siguientes pasos:
1.- Definir el objeto de análisis
2.- Chequear al emisor
3.- Acceder al emisor
4.- Reporteo
5.- Calificación
Para conseguir inmediatez el desafío era crear un modelo que permitiera adelantar
trabajo en las semanas previas. Creamos un modelo basado en los principios del
aprendizaje de máquinas. Se resume en tres pasos:
DATOS DE ENTRADA (DATOS ESTRUCTURADOS) – ALGORITMO
(APRENDIZAJE) – DATOS DE SALIDA (RESULTADO)
Decidimos que los datos de entrada serían datos estructurados que debíamos
trabajar a partir cuatro fuentes:
1.- Programa de gobierno de cada candidato
2.- Declaraciones de cada candidato en el debate ARCHI (Asociación de
Radiodifusores de Chile)
3.- Declaraciones de cada candidato en sus redes sociales
4.- Intervenciones de cada candidato en entrevistas
Nuestra premisa: Es muy probable que los candidatos repitan muchas de esas
cosas en el debate. Es poco probable que digan algo demasiado novedoso.
Adelantar esos chequeos permitía acceder al emisor con antelación -no
directamente al candidato sino a su jefa o jefe programático-, realizar el reporteo
con el tiempo a favor y calificar sin apuros.
Decidimos modificar nuestro sistema original de calificación para atender uno de
nuestros objetivos: “presentar los resultados con sentido televisivo”. Originalmente
tenemos nueve calificadores, incluidos algunos como “requiere más explicación” y
“no confiable”, los cuales podían resultar confusos. Nos quedamos con cuatro:
verdadero, impreciso, engañoso y falso. Canal 13 creó una máscara con estética,
colores y sonido para cada calificador.
Los chequeadores, estudiantes de segundo a cuarto año de periodismo, trabajaron
en duplas toda la información referida a un candidato. Convirtieron en datos
estructurados los contenidos de los programas de gobierno, las entrevistas, debates
previos y publicaciones de redes sociales de los postulantes a La Moneda.
Los chequeos me fueron entregados tres días antes del debate. Me correspondió
hacer el último control, en mi doble rol de director del Observatorio y miembro del
equipo de editores de Tele13.
El resultado fue un modelo de crowdsourcing automatizado con el cual el equipo
llegó para enfrentar el debate en vivo. Este esquema lo resume:
El día del debate el equipo lo componían 13 miembros del Observatorio de Datos
UAI, un editor jefe de chequeos (recayó en mi como nexo entre ambos planteles),
un editor de Tele13, un periodista especializado en política.
Resultados:
El modelo resultó efectivo. Los primeros chequeos fueron presentados en pantalla
en el programa especial de Tele13 emitido inmediatamente después del debate.
La inmediatez se consiguió como objetivo escalonado: no todos los chequeos
estuvieron al instante. Se liberaron gradualmente en un plazo de 12 horas.
La metodología fue declarada en pantalla, garantizando transparencia y respeto por
la “metahistoria”, como recomiendan Weber, Engebretsen y Kennedy.
Los resultados tuvieron un alto estándar de calidad. Los emisores no presentaron
descargos y, comparativamente, los chequeos tuvieron sintonía con lo realizado por
otros equipos de Fact-Checking, como pudimos comparar días después.
Canal 13 decidió repetir la experiencia en el debate presidencial de segunda vuelta.
Conclusiones
El modelo ofrece una salida intermedia al problema de la inmediatez en chequeos
humanos. Es innovador como esquema de resignificación de aprendizaje de
máquinas para colaboración humana
Cuando la inmediatez se plantea como un objetivo escalonado, es posible lograr
resultados.
Flexibilizar los calificadores es positivo para públicos televisivos.
El rol de profesor y editor favoreció las confianzas entre ambas partes.
La experiencia es una instancia de aprendizaje importante para los alumnos. Se
recomienda diseñar la primera fase (recolección de datos no estructurados,
estructuración, chequeo) bajo metodología PBL.
[1] Nuñez Mussa, E. (2019, 04 de diciembre). Political turmoil sparked a national fact-
checking ecosystem in Chile: 17 platforms are active
now. IFCN. https://www.poynter.org/fact-checking/2019/political-turmoil-sparked-a-
national-fact-checking-ecosystem-in-chile-17-platforms-are-active-now/
[2] Atanasova, P., Nakov, P., Márquez, L., Barrón-Cedeño, A., Karadzhov, G., Mihaylova,
T., Mohtarami, M., & Glass, J. (2019). Automatic Fact-Checking Using Context and
Discourse Information. Journal of Data and Information Quality,
11(3). https://doi.org/10.1145/3297722
[3] Reyes, F. (2021, 27 octubre). Anatel considera difícil implementar «fact checking» de
Boric: «No se ha hecho en ninguna parte». Biobío Chile. Recuperado 5 de julio de 2022,
de https://www.biobiochile.cl/noticias/nacional/chile/2021/10/27/anatel-considera-dificil-
implementar-fact-checking-de-boric-no-se-ha-hecho-en-ninguna-parte.shtml