{"CACHEDAT":"2026-05-18 11:01:02","TRANSLATEDAT":"2026-05-18 11:01:02","SOURCESIGNATURE":"d992dbf82b8df3c3d6751f81da4e28e2e38e582e6600bbae60b4b53d656488d1","SLUG":"misinformation-manipulation-zXQJASygMf","MARKDOWN":"# Information Disorder\n\nWardle & Derakhshan (2017), in a foundational report for the Council of Europe, introduce *Information Disorder* as the umbrella term for false, misleading, or harmfully shared information in the public information environment. They distinguish three categories along two axes: whether the content is *false* or *true*, and whether it is shared with *intent to harm*.\n\n| Type | Content | Sharer's knowledge of falseness | Intent to harm |\n|------|---------|---------------------------------|----------------|\n| **Misinformation** | false or misleading | does not know | no |\n| **Disinformation** | false or misleading | knows | yes |\n| **Malinformation** | true | (not the criterion) | yes |\n\nThe three categories form an interconnected ecology: the same content item can move between them depending on who shares it and with what intent.\n\n### Fake News\n\nThe term *fake news* is widely used in public debate but analytically imprecise. It usually refers to false or misleading information presented in the style of news reporting. However, because the term can refer to different types of information disorder and is often used politically to discredit unwanted reporting, more precise terms such as *misinformation*, *disinformation*, *fabricated content*, *false context*, or *manipulated content* should be preferred.\n\n## Misinformation\n\nMisinformation is false or misleading information shared by people who do not realise it is false. The sharer believes the content is accurate; there is no intent to deceive or harm.\n\nMisinformation typically arises in fast-moving news situations (early reports with unconfirmed details), in passing along claims without checking accuracy, and in repeating information from trusted sources that turn out to be wrong. It can be as widespread and consequential as disinformation, despite the absence of malicious intent — its sharers are often genuinely motivated and trusted within their networks, which gives the content reach and perceived credibility (Lewandowsky et al., 2017).\n\n### Misinformation Susceptibility Factors\n\n\n:::success\n**1. Cognitive factors** — how information is processed\n\n* **Confirmation bias**: People pay more attention to information that supports what they already believe, and scrutinise opposing information more harshly. — Nickerson (1998)\n* **Illusory truth effect**: Claims can feel more believable simply because people have seen them before, even when they are false. — Unkelbach et al. (2019)\n* **Processing fluency**: Information that is easy to read, familiar in wording, or visually clear feels more trustworthy than information that is harder to process. — Reber & Schwarz (1999)\n* **Low cognitive reflection**: People who rely on quick, intuitive judgements rather than pausing to check are more likely to fall for false claims. — Pennycook & Rand (2019)\n* **Bullshit receptivity**: Some people are inclined to find vague but impressive-sounding statements meaningful, even when they are empty. — Pennycook et al. (2015)\n* **Low numeracy / scientific literacy**: People may struggle to evaluate statistics, graphs, risk statements, or scientific evidence; education alone is no automatic protection. — Kahan et al. (2017)\n\n**2. Affective / motivational factors** — how emotions and identity shape judgement\n\n* **Emotional reasoning / reliance on emotion**: People accept claims because they feel right, frightening, satisfying, or morally urgent, rather than because they have been checked. — Martel, Pennycook & Rand (2020)\n* **Specific emotions** (anger, fear, moral outrage): Strong emotions can lead people to react quickly and share before checking; moral-emotional language is especially powerful in spreading political content. (Belief and sharing are distinct effects with different evidence.) — Brady et al. (2017); Martel et al. (2020)\n* **Identity-protective cognition**: People process information in ways that protect their political, religious, or group identity, and resist evidence that would threaten it. (Closely linked to *political identity* in category 5.) — Kahan (2013, 2017)\n* **Conspiracy mindset**: A general tendency to suspect hidden plots or powerful actors behind events makes conspiracy-style misinformation more plausible. — Douglas, Sutton & Cichocka (2017)\n\n**3. Social factors** — whom and which groups people trust\n\n* **Source credibility / trust in the sender**: How believable a claim feels depends on who appears to be saying it — a friend, an influencer, an expert, a politician, a news outlet, or an anonymous account. — Traberg & van der Linden (2022)\n* **Social proof / popularity cues**: Likes, shares, views, and comments can act as credibility cues, although the effect depends on context. — Avram et al. (2020)\n* **In-group / partisan congruency**: Information from \"people like us\", or aligned with a group's position, is accepted more easily. (Closely linked to *political identity* in category 5.) — Sultan et al. (2024)\n* **Network homophily / echo chambers**: When people mostly encounter information through networks of similar others, certain views appear more widely shared than they really are. (See also D1G5.) — Cinelli et al. (2021)\n\n**4. Contextual / situational factors** — the conditions under which people meet information\n\n* **Time pressure**: When people have to judge information quickly, they distinguish true from false claims less accurately. — Sultan et al. (2022)\n* **Information overload**: When too much information arrives at once, people fall back on shortcuts like headlines, emotion, source labels, or popularity. — Laato et al. (2020)\n* **Distraction / cognitive load**: When attention is drawn elsewhere, people may share without checking accuracy, even if they could otherwise recognise the misinformation. — Pennycook et al. (2020)\n* **Crisis / uncertainty contexts** (pandemics, war, disasters): Urgent need for explanation increases openness to false or premature claims. — Roozenbeek et al. (2020)\n* **Platform design**: Feeds, notifications, recommendation systems, autoplay, and fast scrolling encourage reactive rather than reflective behaviour. (See also D1G1.) — Lorenz-Spreen et al. (2020)\n\n**5. Background and dispositional factors** — who may be more or less vulnerable in specific contexts\n\n* **Age**: Older adults sometimes distinguish true from false headlines better in studies, but share misinformation more often online. — Guess, Nagler & Tucker (2019)\n* **Education**: Not an automatic shield; meta-analyses show no simple effect on misinformation discrimination. — Sultan et al. (2024)\n* **Political identity and prior beliefs**: Shape which information feels plausible, threatening, trustworthy, or worth sharing. (Operates via identity-protective cognition in category 2 and in-group cues in category 3 — not purely a demographic variable.) — Sultan et al. (2024)\n* **Media literacy habits**: People who compare sources, read beyond headlines, and recognise manipulation techniques rely less on emotional or social shortcuts. *(Note: this is the learning goal of SciLMi itself — listed here as a documented protective disposition, not as a prerequisite.)* — Guess et al. (2020)\n\n:::\n\n\n:::info\n* Avram, M., Micallef, N., Patil, S., & Menczer, F. (2020). Exposure to social engagement metrics increases vulnerability to misinformation. *Harvard Kennedy School (HKS) Misinformation Review*, *1*(5). \n* Brady, W. J., Wills, J. A., Jost, J. T., Tucker, J. A., & Van Bavel, J. J. (2017). Emotion shapes the diffusion of moralized content in social networks. *Proceedings of the National Academy of Sciences*, *114*(28), 7313–7318. \n* Cinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. *Proceedings of the National Academy of Sciences*, *118*(9), e2023301118. \n* Douglas, K. M., Sutton, R. M., & Cichocka, A. (2017). The psychology of conspiracy theories. *Current Directions in Psychological Science*, *26*(6), 538–542. \n* Guess, A., Nagler, J., & Tucker, J. (2019). Less than you think: Prevalence and predictors of fake news dissemination on Facebook. *Science Advances*, *5*(1), eaau4586. \n* Jones-Jang, S. M., Mortensen, T., & Liu, J. (2021). Does media literacy help identification of fake news? Information literacy helps, but other literacies don't. *American Behavioral Scientist*, *65*(2), 371–388. \n* Kahan, D. M. (2013). Ideology, motivated reasoning, and cognitive reflection. *Judgment and Decision Making*, *8*(4), 407–424.\n* Kahan, D. M., Peters, E., Dawson, E. C., & Slovic, P. (2017). Motivated numeracy and enlightened self-government. *Behavioural Public Policy*, *1*(1), 54–86. \n* Laato, S., Islam, A. K. M. N., Islam, M. N., & Whelan, E. (2020). What drives unverified information sharing and cyberchondria during the COVID-19 pandemic? *European Journal of Information Systems*, *29*(3), 288–305. \n* Lorenz-Spreen, P., Lewandowsky, S., Sunstein, C. R., & Hertwig, R. (2020). How behavioural sciences can promote truth, autonomy and democratic discourse online. *Nature Human Behaviour*, *4*(11), 1102–1109. \n* Martel, C., Pennycook, G., & Rand, D. G. (2020). Reliance on emotion promotes belief in fake news. *Cognitive Research: Principles and Implications*, *5*(1), 47. \n* Nickerson, R. S. (1998). Confirmation bias: A ubiquitous phenomenon in many guises. *Review of General Psychology*, *2*(2), 175–220. \n* Pennycook, G., Cheyne, J. A., Barr, N., Koehler, D. J., & Fugelsang, J. A. (2015). On the reception and detection of pseudo-profound bullshit. *Judgment and Decision Making*, *10*(6), 549–563.\n* Pennycook, G., McPhetres, J., Zhang, Y., Lu, J. G., & Rand, D. G. (2020). Fighting COVID-19 misinformation on social media: Experimental evidence for a scalable accuracy-nudge intervention. *Psychological Science*, *31*(7), 770–780. \n* Pennycook, G., & Rand, D. G. (2019). Lazy, not biased: Susceptibility to partisan fake news is better explained by lack of reasoning than by motivated reasoning. *Cognition*, *188*, 39–50. \n* Reber, R., & Schwarz, N. (1999). Effects of perceptual fluency on judgments of truth. *Consciousness and Cognition*, *8*(3), 338–342. \n* Roozenbeek, J., Schneider, C. R., Dryhurst, S., Kerr, J., Freeman, A. L. J., Recchia, G., van der Bles, A. M., & van der Linden, S. (2020). Susceptibility to misinformation about COVID-19 around the world. *Royal Society Open Science*, *7*(10), 201199. \n* Sultan, M., Tump, A. N., Geers, M., Lorenz-Spreen, P., Herzog, S. M., & Kurvers, R. H. J. M. (2022). Time pressure reduces misinformation discrimination ability but does not alter response bias. *Scientific Reports*, *12*(1), 22416. \n* Sultan, M., Tump, A. N., Ehmann, N., Lorenz-Spreen, P., Hertwig, R., Gollwitzer, A., & Kurvers, R. H. J. M. (2024). Susceptibility to online misinformation: A systematic meta-analysis of demographic and psychological factors. *Proceedings of the National Academy of Sciences*, *121*(47), e2409329121. \n* Traberg, C. S., & van der Linden, S. (2022). Birds of a feather are persuaded together: Perceived source credibility mediates the effect of political bias on misinformation susceptibility. *Personality and Individual Differences*, *185*, 111269. \n* Unkelbach, C., Koch, A., Silva, R. R., & Garcia-Marques, T. (2019). Truth by repetition: Explanations and implications. *Current Directions in Psychological Science*, *28*(3), 247–253. \n\n:::\n\n### ☑ Logical Fallacies\n\n\n:::success\n- [ ] Check for hasty generalisations - Conclusion from too little evidence.\n- [ ] Check for false dilemmas - Limiting options to two when more exist.\n- [ ] Check for straw man arguments - Misrepresenting a position to refute it easily.\n- [ ] Check for appeals to ignorance - Claiming truth due to lack of disproof.\n- [ ] Check for appeals to authority - Assuming truth based on authority alone.\n- [ ] Check for red herrings - Distracting from the main issue.\n- [ ] Check for false causes - Confusing correlation with causation.\n- [ ] Check for ad hominem - Attacking the person, not the argument. \n- [ ] Check for ad populum - Arguing truth from popularity.\n- [ ] Check for slippery slopes - Asserting one step leads to extremes.\n- [ ] Check for circular reasoning - Using the conclusion as a premise.\n\n:::\n\n\n:::tip\n* \n* \n* \n\n:::\n\n## Disinformation\n\nDisinformation is false or misleading information shared deliberately, by people who know it is false, with the intent to harm, deceive, or manipulate. Both the sharer's awareness of the falseness and the harmful intent are definitional features.\n\nCommon forms include political influence operations, commercial deception, propaganda, fabricated content, and manipulated media. Disinformation is often produced by organised actors and amplified through *Coordinated Inauthentic / Artificial Amplification* (above).\n\n## Malinformation\n\nMalinformation is *true* information shared with intent to harm. The content itself is accurate, but its release, framing, or timing is calculated to damage a person, group, or institution. The classical pattern is the deliberate movement of private, sensitive, or context-bound information into a public or harmful context.\n\nExamples include the publication of leaked private communications to discredit a target, the release of accurate but stigmatising personal data (e.g. revenge porn), and the strategic disclosure of factually correct but contextually damaging information at moments calculated for maximum impact.\n\nMalinformation is the least-discussed of the three categories because the content is not false, which places it outside fact-checking frameworks. But it forms a significant part of the information-disorder ecology (Wardle & Derakhshan, 2017).\n\n\n:::warning\n**The boundaries are porous.**\n\nThe three categories often overlap or shift in practice:\n\n* A piece of *disinformation*, once shared by people who genuinely believe it, becomes *misinformation* as it spreads further. The same content can sit in different categories depending on who shares it.\n* Content can be partly true and partly false. Wardle (2017) lists seven forms within information disorder — including *misleading content*, *false context*, and *manipulated content* — not all false content is fully fabricated.\n* Determining intent from outside is empirically hard. Without access to the sharer's knowledge state and motivation, the line between misinformation and disinformation often cannot be drawn definitively.\n\nThis is why the framework asks learners to *explain why the boundary between misinformation and disinformation is often difficult to determine in practice*.\n\n:::\n\n\n:::info\n* Wardle, C., & Derakhshan, H. (2017). *Information Disorder: Toward an interdisciplinary framework for research and policy making*. Council of Europe Report DGI(2017)09. \n* Wardle, C. (2017). Fake news. It's complicated. *First Draft News*. \n* Lewandowsky, S., Ecker, U. K. H., & Cook, J. (2017). Beyond misinformation: Understanding and coping with the \"post-truth\" era. *Journal of Applied Research in Memory and Cognition*, 6(4), 353–369. \n* Vraga, E. K., & Bode, L. (2020). Defining misinformation and understanding its bounded nature. *Political Communication*, 37(1), 136–144. \n\n:::\n\n# AI Hallucination / Confabulation\n\nThe systematic tendency of generative AI systems to produce plausible-sounding content that is factually incorrect, fabricated, or unverifiable — including invented references, non-existent studies, misattributed quotations, made-up statistics, and false biographical, historical, or scientific details.\n\nHallucinations occur because generative AI systems produce output by predicting plausible continuations from patterns learned during training, not by retrieving verified information from a knowledge source. The system optimises for fluency and plausibility, not for accuracy. Fabricated content is typically presented with the same confidence as accurate content — there is no internal signal that reliably distinguishes the two.\n\nThe term **confabulation** is sometimes preferred over **hallucination** in research contexts, since confabulation in psychology denotes the construction of false but sincerely believed accounts without intent to deceive — closer to what generative systems actually do. *Hallucination* remains the dominant term in public and technical discourse and is retained here.\n\n**Hallucinations are not occasional bugs.** They are a structural feature of the underlying generation process, not errors that can be reliably eliminated through better prompting (Kalai & Vempala, 2024). They occur across all generative systems — including ☑ RAG AI, where fabrication can also affect how retrieved sources are summarised, quoted, or attributed.\n\n**Didactic positioning:** Hallucinations can be located conceptually as a forth category alongside *misinformation, disinformation*, and *malinformation*. Unlike both, they are not produced by a human source with intent or error in mind, but emerge from the generation process itself — system-generated false content without an intentional source. This three-way distinction is offered here as a pedagogically useful framing rather than as established consensus terminology.\n\n**Common types:**\n\n* fabricated references — citations to articles, books, or studies that do not exist\n* misattributed or fabricated quotations\n* invented statistics or numerical claims\n* inaccurate biographical, historical, or scientific details presented confidently\n* confidently incorrect summaries of real sources\n\n\n:::tip\nTreat any factual claim from a generative AI system as unverified until checked against an independent source. References and quotations are particularly easy to verify — search whether the cited source exists and contains what the AI claimed.\n\n:::\n\n\n:::info\n* Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? *Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21)*, 610–623. \n* Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. *ACM Computing Surveys, 55*(12), Article 248. \n* Kalai, A. T., & Vempala, S. S. (2024). Calibrated language models must hallucinate. *Proceedings of the 56th Annual ACM Symposium on Theory of Computing (STOC 2024)*, 160–171. \n* Smith, A. L., Greaves, F., & Panch, T. (2023). Hallucination or confabulation? Neuroanatomy as metaphor in large language models. *PLOS Digital Health, 2*(11), e0000388. \n\n:::\n\n# Content Misrepresentation\n\n| Format | Manipulated | Fabricated |\n|--------|-------------|------------|\n| Text | genuine quote stripped of context, doctored headline | invented quote, fictional article, AI-generated text |\n| Image | retouched photograph, cropped original | AI-generated image, painted fake \"photograph\" |\n| Audio | edited or sped-up original recording | voice clone, AI-generated speech |\n| Video | cheap fake, recut clips | fully synthetic deepfake video |\n| Document | forged letterhead on modified template | invented \"official\" letter |\n\n## Fabricated Content\n\n**Fabricated content** is information — text, image, audio, video, document, or other format — that has been entirely invented, with no genuine source material. It may be produced manually (invented quotes, fictional news articles) or generated synthetically by AI systems (synthetic videos, voice clones, AI-generated images, AI-written text).\n\n## Manipulated Content\n\n**Manipulated content** is geniune information — text, image, audio, video, document, or other format — that has been altered to deceive. The source material is real, but it is modified through editing, selective cropping, speed adjustment, recontextualisation, framing changes, voice substitution, or other transformations that change its meaning or apparent context.\n\n### Cheap Fake\n\nA **cheap fake** is media that has been altered using conventional, widely available tools — image editing software, video editing software, or basic recontextualisation — rather than AI-based generative methods. The term was coined by Paris and Donovan (2019) to draw attention to the fact that the most consequential forms of manipulated media in public discourse are typically not sophisticated AI-generated deepfakes, but simple, low-cost techniques that anyone can apply.\n\nCommon cheap fake techniques include:\n\n* speed manipulation (e.g. the slowed-down Pelosi video, 2019)\n* recutting and selective editing of audio or video\n* recontextualisation (real media presented with a false caption or framing)\n* photo retouching, cropping, or compositing\n* swapped captions and doctored screenshots\n* audio splicing\n\nWhether a cheap fake constitutes *Misinformation*, *Disinformation*, or *Malinformation* depends on the actor's knowledge and intent (→ *Information Disorder*), not on the technique itself. The same edited video can serve satire, fiction, education, or deception.\n\nCompared with *Deep Fakes*, cheap fakes require less technical skill but are not necessarily easier to detect — well-executed recontextualisation or selective editing can be extremely difficult to identify without access to the original source material.\n\n\n:::info\n* Paris, B., & Donovan, J. (2019). *Deepfakes and Cheap Fakes: The Manipulation of Audio and Visual Evidence*. Data & Society Research Institute. \n\n:::\n\n\n:::tip\nCheap Fake Verification Tools: \n\n* \n* \n* \n* \n* \n* \n* \n* \n* \n\n:::\n\n### Deep Fake\n\n### Deep Fake\n\nA **deep fake** is synthetic media generated by artificial intelligence — specifically using deep learning techniques such as generative adversarial networks (GANs), diffusion models, or transformer-based generators. The term is a portmanteau of *deep learning* and *fake*, originating in 2017 in online communities producing AI-generated face-swap videos. The technology has since expanded across media types and is now broadly accessible through consumer-level tools.\n\nCommon forms include:\n\n* **Face swaps**: replacing one person's face with another's in video\n* **Voice cloning**: synthesising a speaker's voice from a small audio sample\n* **Full synthetic video**: AI-generated footage showing people, events, or scenes that never occurred\n* **Synthetic photography**: AI-generated still images of fictional people or events\n* **Text-to-video and text-to-audio**: generating media from written prompts\n\nWhether a deep fake constitutes *Misinformation*, *Disinformation*, or *Malinformation* depends on the actor's knowledge and intent (→ *Information Disorder*), not on the technique itself. Deep fake methods are also used legitimately in film production, accessibility tools (synthetic voices for people who have lost theirs), language dubbing, satire, education, and the arts.\n\nCompared with *Cheap Fakes*, deep fakes require more technical capacity to produce convincingly and can achieve higher visual or auditory realism. They are not, however, the dominant form of media manipulation in public discourse — Paris and Donovan (2019) note that simpler cheap-fake techniques remain more common and often more consequential. Detection is an active research area; current approaches combine artefact analysis, biological inconsistency checks, and provenance verification (e.g. C2PA content credentials).\n\n\n:::info\n* Paris, B., & Donovan, J. (2019). *Deepfakes and Cheap Fakes: The Manipulation of Audio and Visual Evidence*. Data & Society Research Institute. \n* Chesney, R., & Citron, D. K. (2019). Deep fakes: A looming challenge for privacy, democracy, and national security. *California Law Review*, 107(6), 1753–1820.\n* Vaccari, C., & Chadwick, A. (2020). Deepfakes and disinformation: Exploring the impact of synthetic political video on deception, uncertainty, and trust in news. *Social Media + Society*, 6(1), 1–13. \n\n:::\n\n\n:::tip\nDeep Fake Verification Tools: \n\n* \n* \n* \n* \n* \n* \n* \n* \n* \n\n:::\n\n\n##","HTML":"

Desorden informativo

\n

Wardle y Derakhshan (2017), en un informe fundamental para el Consejo de Europa, introducen el concepto de «desorden informativo» como término genérico para referirse a la información falsa, engañosa o compartida con fines perjudiciales en el ámbito de la información pública. Distinguen tres categorías en función de dos ejes: si el contenido es falso o verdadero, y si se comparte con la intención de causar daño.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
TipoContenidoConocimiento de la falsedad por parte de quien lo comparteIntención de causar daño
DesinformaciónFalso o engañosono sabeno
Desinformaciónfalsa o engañosasabesí
Información erróneaverdadera(no es el criterio)sí
\n

Las tres categorías forman un ecosistema interconectado: un mismo contenido puede pasar de una a otra dependiendo de quién lo comparta y con qué intención.

\n

Noticias falsas

\n

El término «noticias falsas» se utiliza ampliamente en el debate público, pero es analíticamente impreciso. Suele referirse a información falsa o engañosa presentada al estilo de un reportaje periodístico. Sin embargo, dado que el término puede referirse a diferentes tipos de desorden informativo y a menudo se utiliza políticamente para desacreditar informaciones indeseadas, se deben preferir términos más precisos como «desinformación», «información errónea», «contenido inventado», «contexto falso» o «contenido manipulado».

\n

Desinformación

\n

La desinformación es información falsa o engañosa compartida por personas que no se dan cuenta de que es falsa. Quien la comparte cree que el contenido es exacto; no hay intención de engañar ni de causar daño.

\n

La desinformación suele surgir en situaciones de noticias de rápida evolución (informes iniciales con detalles sin confirmar), al transmitir afirmaciones sin comprobar su veracidad y al repetir información de fuentes fiables que resulta ser errónea. Puede ser tan extendida y tener consecuencias tan graves como la desinformación, a pesar de la ausencia de intención maliciosa: quienes la comparten suelen estar genuinamente motivados y gozan de confianza dentro de sus redes, lo que le da al contenido alcance y una credibilidad percibida (Lewandowsky et al., 2017).

\n

Factores de susceptibilidad a la desinformación

\n
\n
\n\n

1. Factores cognitivos: cómo se procesa la información

\n
    \n
  • Sesgo de confirmación: las personas prestan más atención a la información que respalda lo que ya creen y examinan con mayor rigor la información contraria. — Nickerson (1998)\n
    • \n
  • Efecto de verdad ilusoria: las afirmaciones pueden parecer más creíbles simplemente porque las personas las han visto antes, incluso cuando son falsas. — Unkelbach et al. (2019)\n
    • \n
  • Fluidez de procesamiento: la información que es fácil de leer, con una redacción familiar o visualmente clara, se percibe como más fiable que la información que es más difícil de procesar. — Reber y Schwarz (1999)\n
    • \n
  • Baja reflexión cognitiva: Las personas que se basan en juicios rápidos e intuitivos en lugar de detenerse a verificar son más propensas a creer afirmaciones falsas. — Pennycook y Rand (2019)\n
    • \n
  • Receptividad ante las tonterías: Algunas personas tienden a encontrar significativas las afirmaciones vagas pero que suenan impresionantes, incluso cuando están vacías de contenido. — Pennycook et al. (2015)\n
    • \n
  • Bajos conocimientos matemáticos o científicos: Las personas pueden tener dificultades para evaluar estadísticas, gráficos, declaraciones de riesgo o pruebas científicas; la educación por sí sola no es una protección automática. — Kahan et al. (2017)\n

    2. Factores afectivos / motivacionales: cómo las emociones y la identidad moldean el juicio

    \n
    • \n
  • Razonamiento emocional / dependencia de las emociones: Las personas aceptan afirmaciones porque les parecen correctas, aterradoras, satisfactorias o moralmente urgentes, más que porque hayan sido verificadas. — Martel, Pennycook y Rand (2020)\n
    • \n
  • Emociones específicas (ira, miedo, indignación moral): Las emociones fuertes pueden llevar a las personas a reaccionar rápidamente y a compartir antes de verificar; el lenguaje moral-emocional es especialmente poderoso a la hora de difundir contenido político. (La creencia y el hecho de compartir son efectos distintos con evidencia diferente.) — Brady et al. (2017); Martel et al. (2020)\n
    • \n
  • Cognición protectora de la identidad: Las personas procesan la información de manera que proteja su identidad política, religiosa o de grupo, y se resisten a las pruebas que la amenacen. (Estrechamente vinculado a la identidad política de la categoría 5.) — Kahan (2013, 2017)\n
    • \n
  • Mentalidad conspirativa: Una tendencia general a sospechar de complots ocultos o de actores poderosos detrás de los acontecimientos hace que la desinformación de tipo conspirativo resulte más plausible. — Douglas, Sutton y Cichocka (2017)\n

    3. Factores sociales: en quién y en qué grupos confía la gente

    \n
    • \n
  • Credibilidad de la fuente / confianza en el emisor: La credibilidad que se le da a una afirmación depende de quién parece decirla: un amigo, un influencer, un experto, un político, un medio de comunicación o una cuenta anónima. — Traberg y van der Linden (2022)\n
    • \n
  • Prueba social / indicios de popularidad: los «me gusta», las veces que se comparte, las visualizaciones y los comentarios pueden actuar como indicios de credibilidad, aunque el efecto depende del contexto. — Avram et al. (2020)\n
    • \n
  • Congruencia intragrupal / partidista: La información procedente de «gente como nosotros», o alineada con la posición de un grupo, se acepta más fácilmente. (Estrechamente vinculado a la identidad política en la categoría 5.) — Sultan et al. (2024)\n
    • \n
  • Homofilia de red / cámaras de eco: cuando las personas se encuentran principalmente con información a través de redes de personas similares, ciertas opiniones parecen estar más ampliamente compartidas de lo que realmente están. (Véase también D1G5.) — Cinelli et al. (2021)\n

    4. Factores contextuales / situacionales: las condiciones en las que las personas se encuentran con la información

    \n
    • \n
  • Presión de tiempo: cuando las personas tienen que juzgar la información rápidamente, distinguen con menos precisión entre afirmaciones verdaderas y falsas. — Sultan et al. (2022)\n
    • \n
  • Sobrecarga de información: cuando llega demasiada información a la vez, las personas recurren a atajos como los titulares, las emociones, las etiquetas de las fuentes o la popularidad. — Laato et al. (2020)\n
    • \n
  • Distracción / carga cognitiva: cuando la atención se desvía hacia otro lugar, las personas pueden compartir información sin comprobar su veracidad, incluso si en otras circunstancias serían capaces de reconocer la desinformación. — Pennycook et al. (2020)\n
    • \n
  • Contextos de crisis o incertidumbre (pandemias, guerras, desastres): la necesidad urgente de una explicación aumenta la receptividad ante afirmaciones falsas o prematuras. — Roozenbeek et al. (2020)\n
    • \n
  • Diseño de la plataforma: los feeds, las notificaciones, los sistemas de recomendación, la reproducción automática y el desplazamiento rápido fomentan un comportamiento reactivo en lugar de reflexivo. (Véase también D1G1.) — Lorenz-Spreen et al. (2020)\n

    5. Factores contextuales y disposicionales: quiénes pueden ser más o menos vulnerables en contextos específicos

    \n
    • \n
  • Edad: en los estudios, las personas mayores a veces distinguen mejor los titulares verdaderos de los falsos, pero comparten desinformación con más frecuencia en Internet. — Guess, Nagler y Tucker (2019)\n
    • \n
  • Educación: No es un escudo automático; los metaanálisis no muestran un efecto claro en la discriminación de la desinformación. — Sultan et al. (2024)\n
    • \n
  • Identidad política y creencias previas: determinan qué información se percibe como plausible, amenazante, fiable o digna de compartir. (Funciona a través de la cognición protectora de la identidad en la categoría 2 y de las señales de pertenencia al grupo en la categoría 3 —no es una variable puramente demográfica—). — Sultan et al. (2024)\n
    • \n
  • Hábitos de alfabetización mediática: Las personas que comparan fuentes, leen más allá de los titulares y reconocen las técnicas de manipulación dependen menos de atajos emocionales o sociales. (Nota: este es el objetivo de aprendizaje del propio SciLMi —incluido aquí como una disposición protectora documentada, no como un requisito previo.) — Guess et al. (2020)\n
    • \n
\n
\n
\n
\n
\n\n
    \n
  • \nAvram, M., Micallef, N., Patil, S., & Menczer, F. (2020). La exposición a métricas de participación social aumenta la vulnerabilidad a la desinformación. Harvard Kennedy School (HKS) Misinformation Review\n, 1\n(5). https://doi.org/10.37016/mr-2020-033\n
    • \n
  • \nBrady, W. J., Wills, J. A., Jost, J. T., Tucker, J. A. y Van Bavel, J. J. (2017). La emoción determina la difusión de contenidos moralizados en las redes sociales. Actas de la Academia Nacional de Ciencias\n, 114\n(28), 7313-7318. https://doi.org/10.1073/pnas.1618923114\n
    • \n
  • \nCinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). El efecto de la cámara de eco en las redes sociales. Actas de la Academia Nacional de Ciencias\n, 118\n(9), e2023301118. https://doi.org/10.1073/pnas.2023301118\n
    • \n
  • \nDouglas, K. M., Sutton, R. M., y Cichocka, A. (2017). La psicología de las teorías de la conspiración. Current Directions in Psychological Science\n, 26\n(6), 538–542. https://doi.org/10.1177/0963721417718261\n
    • \n
  • \nGuess, A., Nagler, J., & Tucker, J. (2019). Menos de lo que crees: prevalencia y factores predictivos de la difusión de noticias falsas en Facebook. Science Advances\n, 5\n(1), eaau4586. https://doi.org/10.1126/sciadv.aau4586\n
    • \n
  • \nJones-Jang, S. M., Mortensen, T., & Liu, J. (2021). ¿Ayuda la alfabetización mediática a identificar las noticias falsas? La alfabetización informacional ayuda, pero otras alfabetizaciones no. American Behavioral Scientist\n, 65\n(2), 371–388. https://doi.org/10.1177/0002764219869406\n
    • \n
  • Kahan, D. M. (2013). Ideología, razonamiento motivado y reflexión cognitiva. Judgment and Decision Making, 8(4), 407–424.\n
    • \n
  • \nKahan, D. M., Peters, E., Dawson, E. C. y Slovic, P. (2017). Aritmética motivada y autogobierno ilustrado. Behavioural Public Policy\n, 1\n(1), 54–86. https://doi.org/10.1017/bpp.2016.2\n
    • \n
  • \nLaato, S., Islam, A. K. M. N., Islam, M. N., & Whelan, E. (2020). ¿Qué impulsa el intercambio de información no verificada y la cibercondría durante la pandemia de COVID-19? European Journal of Information Systems\n, 29\n(3), 288–305. https://doi.org/10.1080/0960085X.2020.1770632\n
    • \n
  • \nLorenz-Spreen, P., Lewandowsky, S., Sunstein, C. R. y Hertwig, R. (2020). Cómo las ciencias del comportamiento pueden promover la verdad, la autonomía y el discurso democrático en línea. Nature Human Behaviour\n, 4\n(11), 1102–1109. https://doi.org/10.1038/s41562-020-0889-7\n
    • \n
  • \nMartel, C., Pennycook, G., y Rand, D. G. (2020). La dependencia de las emociones fomenta la creencia en las noticias falsas. Cognitive Research: Principles and Implications\n, 5\n(1), 47. https://doi.org/10.1186/s41235-020-00252-3\n
    • \n
  • \nNickerson, R. S. (1998). Sesgo de confirmación: un fenómeno omnipresente con múltiples formas. Review of General Psychology\n, 2\n(2), 175–220. https://doi.org/10.1037/1089-2680.2.2.175\n
    • \n
  • Pennycook, G., Cheyne, J. A., Barr, N., Koehler, D. J., & Fugelsang, J. A. (2015). Sobre la recepción y detección de tonterías pseudoprofundas. Judgment and Decision Making, 10(6), 549–563.\n
    • \n
  • \nPennycook, G., McPhetres, J., Zhang, Y., Lu, J. G., & Rand, D. G. (2020). Lucha contra la desinformación sobre la COVID-19 en las redes sociales: Evidencia experimental de una intervención escalable basada en el «nudge» de precisión. Psychological Science\n, 31\n(7), 770–780. https://doi.org/10.1177/0956797620939054\n
    • \n
  • \nPennycook, G., y Rand, D. G. (2019). Perezosos, no sesgados: la susceptibilidad a las noticias falsas partidistas se explica mejor por la falta de razonamiento que por el razonamiento motivado. Cognition\n, 188\n, 39–50. https://doi.org/10.1016/j.cognition.2018.06.011\n
    • \n
  • \nReber, R., y Schwarz, N. (1999). Efectos de la fluidez perceptiva en los juicios de verdad. Consciousness and Cognition\n, 8\n(3), 338–342. https://doi.org/10.1006/ccog.1999.0386\n
    • \n
  • \nRoozenbeek, J., Schneider, C. R., Dryhurst, S., Kerr, J., Freeman, A. L. J., Recchia, G., van der Bles, A. M., y van der Linden, S. (2020). Susceptibilidad a la desinformación sobre la COVID-19 en todo el mundo. Royal Society Open Science\n, 7\n(10), 201199. https://doi.org/10.1098/rsos.201199\n
    • \n
  • \nSultan, M., Tump, A. N., Geers, M., Lorenz-Spreen, P., Herzog, S. M., & Kurvers, R. H. J. M. (2022). La presión del tiempo reduce la capacidad de distinguir la desinformación, pero no altera el sesgo de respuesta. Scientific Reports\n, 12\n(1), 22416. https://doi.org/10.1038/s41598-022-26209-8\n
    • \n
  • \nSultan, M., Tump, A. N., Ehmann, N., Lorenz-Spreen, P., Hertwig, R., Gollwitzer, A., & Kurvers, R. H. J. M. (2024). Susceptibilidad a la desinformación en línea: un metaanálisis sistemático de factores demográficos y psicológicos. Actas de la Academia Nacional de Ciencias\n, 121\n(47), e2409329121. https://doi.org/10.1073/pnas.2409329121\n
    • \n
  • \nTraberg, C. S., y van der Linden, S. (2022). Las aves del mismo plumaje se persuaden juntas: la credibilidad percibida de la fuente media el efecto del sesgo político en la susceptibilidad a la desinformación. Personalidad y Diferencias Individuales\n, 185\n, 111269. https://doi.org/10.1016/j.paid.2021.111269\n
    • \n
  • \nUnkelbach, C., Koch, A., Silva, R. R., & Garcia-Marques, T. (2019). La verdad por repetición: explicaciones e implicaciones. Current Directions in Psychological Science\n, 28\n(3), 247–253. https://doi.org/10.1177/0963721419827854\n
    • \n
\n
\n
\n

☑ Falacias lógicas

\n
\n
\n\n
    \n
  • Comprueba si hay generalizaciones precipitadas: conclusiones a partir de pruebas insuficientes.\n
    • \n
  • Comprueba si hay falsos dilemas: limitar las opciones a dos cuando existen más.\n
    • \n
  • Comprueba si hay argumentos de hombre de paja: tergiversar una postura para refutarla fácilmente.\n
    • \n
  • Comprueba si hay apelaciones a la ignorancia: afirmar que algo es cierto por falta de pruebas en contra.\n
    • \n
  • Comprueba si hay apelaciones a la autoridad: asumir la verdad basándose únicamente en la autoridad.\n
    • \n
  • Comprueba si hay cortinas de humo: desviar la atención del tema principal.\n
    • \n
  • Comprueba si hay causas falsas: confundir la correlación con la causalidad.\n
    • \n
  • Busca argumentos ad hominem: atacar a la persona, no al argumento.\n
    • \n
  • Comprueba si hay argumentos ad populum: argumentar la verdad basándose en la popularidad.\n
    • \n
  • Comprueba si hay argumentos de «pendiente resbaladiza»: afirmar que un paso conduce a extremos.\n
    • \n
  • Comprueba si hay razonamiento circular: utilizar la conclusión como premisa.\n
    • \n
\n
\n
\n
\n
\n\n
\n
\n
\n

Desinformación

\n

La desinformación es información falsa o engañosa compartida deliberadamente por personas que saben que es falsa, con la intención de dañar, engañar o manipular. Tanto la conciencia de la falsedad por parte de quien la comparte como la intención dañina son características definitorias.

\n

Entre las formas más comunes se incluyen las operaciones de influencia política, el engaño comercial, la propaganda, los contenidos inventados y los medios manipulados. La desinformación suele ser generada por actores organizados y amplificada a través de la amplificación coordinada inauténtica/artificial (véase más arriba).

\n

Desinformación maliciosa

\n

La malinformación es información verdadera compartida con la intención de causar daño. El contenido en sí es exacto, pero su divulgación, encuadre o momento de publicación están calculados para perjudicar a una persona, grupo o institución. El patrón clásico es el traslado deliberado de información privada, sensible o contextualizada a un contexto público o perjudicial.

\n

Algunos ejemplos son la publicación de comunicaciones privadas filtradas para desacreditar a un objetivo, la divulgación de datos personales precisos pero estigmatizantes (por ejemplo, la «pornografía de venganza») y la divulgación estratégica de información fácticamente correcta pero contextualmente perjudicial en momentos calculados para lograr el máximo impacto.

\n

La desinformación es la menos discutida de las tres categorías porque el contenido no es falso, lo que la sitúa fuera de los marcos de verificación de datos. Sin embargo, constituye una parte significativa de la ecología del desorden informativo (Wardle y Derakhshan, 2017).

\n
\n
\n\n

Los límites son difusos. Las tres categorías a menudo se solapan o cambian en la práctica:

\n
    \n
  • Una pieza de desinformación, una vez compartida por personas que realmente la creen, se convierte en desinformación a medida que se difunde. El mismo contenido puede situarse en diferentes categorías dependiendo de quién lo comparta.\n
    • \n
  • El contenido puede ser en parte cierto y en parte falso. Wardle (2017) enumera siete formas de desorden informativo —entre ellas, el contenido engañoso, el contexto falso y el contenido manipulado—; no todo el contenido falso es totalmente inventado.\n
    • \n
  • Determinar la intención desde fuera es difícil desde el punto de vista empírico. Sin acceso al estado de conocimiento y a la motivación de quien lo comparte, a menudo no se puede trazar una línea definitiva entre la desinformación y la información errónea.\n

    Por eso el marco pide a los alumnos que expliquen por qué la frontera entre la desinformación y la información errónea suele ser difícil de determinar en la práctica.

    \n
    • \n
\n
\n
\n
\n
\n\n
\n
\n
\n

Alucinación/confabulación de la IA

\n

Tendencia sistemática de los sistemas de IA generativa a producir contenidos que suenan plausibles pero que son objetivamente incorrectos, inventados o no verificables, incluyendo referencias inventadas, estudios inexistentes, citas mal atribuidas, estadísticas inventadas y detalles biográficos, históricos o científicos falsos.

\n

Las alucinaciones se producen porque los sistemas de IA generativa generan resultados prediciendo continuaciones plausibles a partir de patrones aprendidos durante el entrenamiento, no recuperando información verificada de una fuente de conocimiento. El sistema se optimiza para la fluidez y la plausibilidad, no para la precisión. El contenido inventado suele presentarse con la misma seguridad que el contenido preciso; no hay ninguna señal interna que distinga de forma fiable entre ambos.

\n

En contextos de investigación, a veces se prefiere el término «confabulación» al de «alucinación», ya que la confabulación en psicología denota la construcción de relatos falsos pero en los que se cree sinceramente, sin intención de engañar —lo que se acerca más a lo que realmente hacen los sistemas generativos—. «Alucinación» sigue siendo el término dominante en el discurso público y técnico, por lo que se mantiene aquí.

\n

Las alucinaciones no son errores ocasionales. Son una característica estructural del proceso de generación subyacente, no errores que puedan eliminarse de forma fiable mediante mejores indicaciones (Kalai y Vempala, 2024). Se producen en todos los sistemas generativos —incluida la IA ☑ RAG—, donde la fabricación también puede afectar a cómo se resumen, citan o atribuyen las fuentes recuperadas.

\n

Posicionamiento didáctico: Las alucinaciones pueden situarse conceptualmente como una cuarta categoría junto a la desinformación, la información errónea y la información malintencionada. A diferencia de ambas, no son producidas por una fuente humana con intención o error, sino que surgen del propio proceso de generación: contenido falso generado por el sistema sin una fuente intencionada. Esta distinción triple se ofrece aquí como un marco pedagógicamente útil más que como una terminología de consenso establecida.

\n

Tipos comunes:

\n
    \n
  • referencias inventadas: citas de artículos, libros o estudios que no existen\n
    • \n
  • citas atribuidas erróneamente o inventadas\n
    • \n
  • estadísticas inventadas o afirmaciones numéricas\n
    • \n
  • detalles biográficos, históricos o científicos inexactos presentados con seguridad\n
    • \n
  • resúmenes incorrectos de fuentes reales presentados con seguridad\n
    • \n
\n
\n
\n\n

Trate cualquier afirmación factual de un sistema de IA generativa como no verificada hasta que se compruebe con una fuente independiente. Las referencias y citas son especialmente fáciles de verificar: compruebe si la fuente citada existe y contiene lo que la IA afirma.

\n
\n
\n
\n
\n\n
    \n
  • \nBender, E. M., Gebru, T., McMillan-Major, A. y Shmitchell, S. (2021). Sobre los peligros de los loros estocásticos: ¿pueden los modelos de lenguaje ser demasiado grandes? Actas de la Conferencia ACM de 2021 sobre Equidad, Responsabilidad y Transparencia (FAccT '21)\n, 610–623. https://doi.org/10.1145/3442188.3445922\n
    • \n
  • \nJi, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Estudio sobre las alucinaciones en la generación de lenguaje natural. ACM Computing Surveys, 55\n(12), Artículo 248. https://doi.org/10.1145/3571730\n
    • \n
  • \nKalai, A. T., y Vempala, S. S. (2024). Los modelos de lenguaje calibrados deben alucinar. Actas del 56.º Simposio Anual de la ACM sobre Teoría de la Computación (STOC 2024)\n, 160–171. https://doi.org/10.1145/3618260.3649777\n
    • \n
  • \nSmith, A. L., Greaves, F., y Panch, T. (2023). ¿Alucinación o fabulación? La neuroanatomía como metáfora en los grandes modelos de lenguaje. PLOS Digital Health, 2\n(11), e0000388. https://doi.org/10.1371/journal.pdig.0000388\n
    • \n
\n
\n
\n

Tercera

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
FormatoManipuladoInventado
Textocita auténtica sacada de contexto, titular manipuladocita inventada, artículo ficticio, texto generado por IA
ImagenFotografía retocada, original recortadaImagen generada por IA, «fotografía» falsa pintada
Audiograbación original editada o aceleradaclon de voz, discurso generado por IA
VídeoFalsificación barata, clips reeditadosvídeo deepfake totalmente sintético
DocumentoMembrete falsificado en una plantilla modificadacarta «oficial» inventada
\n

Contenido inventado

\n

El contenido fabricado es información —texto, imagen, audio, vídeo, documento u otro formato— que ha sido inventada por completo, sin material de origen genuino. Puede producirse manualmente (citas inventadas, artículos de noticias ficticios) o generarse sintéticamente mediante sistemas de IA (vídeos sintéticos, clones de voz, imágenes generadas por IA, texto escrito por IA).

\n

Contenido manipulado

\n

El contenido manipulado es información genuina —texto, imagen, audio, vídeo, documento u otro formato— que ha sido alterada con el fin de engañar. El material original es real, pero se modifica mediante la edición, el recorte selectivo, el ajuste de la velocidad, la recontextualización, los cambios de encuadre, la sustitución de la voz u otras transformaciones que alteran su significado o su contexto aparente.

\n

Falsificación barata

\n

Una falsificación barata es un contenido multimedia que ha sido alterado utilizando herramientas convencionales y ampliamente disponibles —software de edición de imágenes, software de edición de vídeo o recontextualización básica— en lugar de métodos generativos basados en IA. El término fue acuñado por Paris y Donovan (2019) para llamar la atención sobre el hecho de que las formas más trascendentales de contenido manipulado en el discurso público no suelen ser sofisticados deepfakes generados por IA, sino técnicas sencillas y de bajo coste que cualquiera puede aplicar.

\n

Entre las técnicas comunes de falsificación barata se incluyen:

\n
    \n
  • la manipulación de la velocidad (p. ej., el vídeo ralentizado de Pelosi, 2019)\n
    • \n
  • el recorte y la edición selectiva de audio o vídeo\n
    • \n
  • la recontextualización (medios reales presentados con un pie de foto o un encuadre falsos)\n
    • \n
  • retoque, recorte o composición de fotografías\n
    • \n
  • intercambio de subtítulos y capturas de pantalla manipuladas\n
    • \n
  • empalme de audio\n
    • \n
\n

Que una falsificación barata constituya desinformación, información errónea o información maliciosa depende del conocimiento y la intención del autor (→ Desorden informativo), no de la técnica en sí misma. El mismo vídeo editado puede servir para la sátira, la ficción, la educación o el engaño.

\n

En comparación con los deepfakes, los «cheap fakes» requieren menos habilidad técnica, pero no son necesariamente más fáciles de detectar: una recontextualización bien ejecutada o una edición selectiva pueden ser extremadamente difíciles de identificar sin acceso al material original.

\n
\n
\n\n
\n
\n
\n
\n
\n\n

Herramientas de verificación de falsificaciones baratas:

\n
\n
\n
\n

Deepfake

\n

Deepfake

\n

Un deepfake es un contenido sintético generado por inteligencia artificial —concretamente mediante técnicas de aprendizaje profundo como las redes generativas adversarias (GAN), los modelos de difusión o los generadores basados en transformadores—. El término es un acrónimo de «deep learning» y «fake», y surgió en 2017 en comunidades online que producían vídeos de intercambio de rostros generados por IA. Desde entonces, la tecnología se ha extendido a distintos tipos de medios y ahora es ampliamente accesible a través de herramientas de consumo.

\n

Las formas más comunes incluyen:

\n
    \n
  • Intercambio de rostros: sustituir el rostro de una persona por el de otra en un vídeo\n
    • \n
  • Clonación de voz: sintetizar la voz de un hablante a partir de una pequeña muestra de audio\n
    • \n
  • Vídeo totalmente sintético: metraje generado por IA que muestra personas, acontecimientos o escenas que nunca ocurrieron\n
    • \n
  • Fotografía sintética: imágenes fijas generadas por IA de personas o acontecimientos ficticios\n
    • \n
  • Texto a vídeo y texto a audio: generación de contenido multimedia a partir de indicaciones escritas\n
    • \n
\n

Que un deepfake constituya desinformación, información errónea o información maliciosa depende del conocimiento y la intención del autor (→ Desorden informativo), no de la técnica en sí misma. Los métodos de deepfake también se utilizan de forma legítima en la producción cinematográfica, en herramientas de accesibilidad (voces sintéticas para personas que han perdido la suya), en el doblaje, en la sátira, en la educación y en las artes.

\n

En comparación con los «cheap fakes», los deep fakes requieren una mayor capacidad técnica para resultar convincentes y pueden alcanzar un mayor realismo visual o auditivo. Sin embargo, no son la forma dominante de manipulación mediática en el discurso público: Paris y Donovan (2019) señalan que las técnicas más simples de «cheap fakes» siguen siendo más comunes y, a menudo, tienen mayores consecuencias. La detección es un área de investigación activa; los enfoques actuales combinan el análisis de artefactos, las comprobaciones de inconsistencias biológicas y la verificación de la procedencia (por ejemplo, las credenciales de contenido C2PA).

\n
\n
\n\n
    \n
  • \nParis, B., y Donovan, J. (2019). Deepfakes y falsificaciones baratas: la manipulación de pruebas audiovisuales\n. Instituto de Investigación Data & Society.https://datasociety.net/library/deepfakes-and-cheap-fakes/\n
    • \n
  • Chesney, R., y Citron, D. K. (2019). Deepfakes: un desafío inminente para la privacidad, la democracia y la seguridad nacional. California Law Review, 107(6), 1753–1820.\n
    • \n
  • \nVaccari, C., y Chadwick, A. (2020). Deepfakes y desinformación: análisis del impacto de los vídeos políticos sintéticos en el engaño, la incertidumbre y la confianza en las noticias. Social Media + Society\n, 6(1), 1–13. https://doi.org/10.1177/2056305120903408\n
    • \n
\n
\n
\n
\n
\n\n

Herramientas de verificación de deepfakes:

\n
\n
\n
","UPDATEDAT":"2026-05-17T18:10:24.859Z","LANG":"es","ID":"8e97ece5-27a9-44ca-b212-ce9ce8c29387","TITLE":"Desinformación y manipulación","SOURCELANG":"en"}