{"CACHEDAT":"2026-05-13 09:40:09","TRANSLATEDAT":"2026-05-13 09:40:09","SOURCESIGNATURE":"7a9e56d2ea3f2c69597ecdc4c37790c3bd22ac955bbb62f6ceb193688b397de6","SLUG":"misinformation-manipulation-WtiyDFyWdl","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":"

Поремећај информација

\n

Wardle и Derakhshan (2017), у темељном извештају за Савет Европе, уводе поремећај информација као кишобрански појам за лажне, обмањујуће или штетно ширене информације у јавном информационом окружењу. Они разликују три категорије дуж две осе: да ли је садржај нетачан или тачан и да ли се дели с намером наношења штете.

\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
ТипСадржајЗнање пошиљаоца о неистинитостиНамера наношења штете
Дезинформацијанетачан или обмањујућине знане
Дезинформацијанетачан или обмањујућизнада
Малиинформацијатачно(није критеријум)да
\n

Ове три категорије чине међусобно повезану екологију: исти садржај може да се креће између њих у зависности од тога ко га дели и с којом намером.

\n

Фејк њуз

\n

Термин "лажне вести" се широко користи у јавној дебати, али је аналитички непрецизан. Обично се односи на нетачне или обмањујуће информације представљене у стилу извештавања вести. Међутим, пошто се термин може односити на различите врсте поремећаја у информацијама и често се политички користи за дискредитацију непожељног извештавања, требало би да се преферирају прецизнији термини као што су дезинформација, дизинформација, измишљени садржај, лажни контекст или манипулисани садржај.

\n

Мисиинформација

\n

Дезинформација је лажна или обмањујућа информација коју деле људи који нису свесни да је она нетачна. Особа која је дели верује да је садржај тачан; нема намере да обмане или нанесе штету.

\n

Дезинформације обично настају у брзопроменљивим новинарским ситуацијама (рани извештаји са непотврђеним детаљима), преношењем тврдњи без провере тачности и понављањем информација из поузданих извора које се касније покажу нетачним. Може бити подједнако распрострањена и последична као и дезинформација, упркос одсуству злонамерне намере — они који је деле често су искрено мотивисани и уживају поверење у својим мрежама, што садржају даје домет и перципирани кредибилитет (Lewandowsky et al., 2017).

\n

Фактори подложности дезинформацијама

\n
\n
\n\n

1. Когнитивни фактори — како се информације обрађују

\n
    \n
  • Пристрасност потврђивања: Људи обраћају више пажње на информације које потврђују оно у шта већ верују, а противне информације испитују строже. — Никерсон (1998)\n
    • \n
  • Ефекат илузорне истинитости: Тврдње могу деловати веродостојније једноставно зато што су их људи раније видели, чак и када су неистините. — Unkelbach et al. (2019)\n
    • \n
  • Лакоћа обраде: Информације које су лаке за читање, познате по формулацији или визуелно јасне делују поузданије од информација које је теже обрадити. — Ребер и Шварц (1999)\n
    • \n
  • Низак когнитивни рефлекс: Људи који се ослањају на брзе, интуитивне процене уместо да застану и провере склонији су да поверују у неистините тврдње. — Пенникoок и Ранд (2019)\n
    • \n
  • Пријемчивост за глупости: Неки људи су склони да нејасне, али импресивно звучне изјаве сматрају значајним, чак и када су празне. — Пенникoок и др. (2015)\n
    • \n
  • Низак ниво нумеричке / научне писмености: Људи могу имати потешкоћа да процене статистику, графиконе, изјаве о ризику или научне доказе; само образовање није аутоматска заштита. — Кахан и др. (2017)\n

    2. Афektivни / мотивациони фактори — како емоције и идентитет обликују суђење

    \n
    • \n
  • Емоционално резоновање / ослањање на емоције: Људи прихватају тврдње зато што им се чине исправним, застрашујућим, задовољавајућим или морално хитним, а не зато што су проверене. — Martel, Pennycook & Rand (2020)\n
    • \n
  • Специфичне емоције (љутња, страх, морални бес): Снажне емоције могу навести људе да реагују брзо и деле пре него што провере; морално-емоционални језик је посебно моћан у ширењу политичког садржаја. (Веровање и дељење су одвојени ефекти са различитим доказима.) — Brady et al. (2017); Martel et al. (2020)\n
    • \n
  • Когниција заштићена идентитетом: Људи обрађују информације на начине који штите њихов политички, верски или групни идентитет и одупиру се доказима који би га угрозили. (Тесно повезано са политичким идентитетом у категорији 5.) — Кахан (2013, 2017)\n
    • \n
  • Заверички начин размишљања: Општа склоност да се сумња у скривене заверe или моћне актере иза догађаја чини дезинформације у стилу завера веродостојнијим. — Дуглас, Сатон и Чичокa (2017)\n

    3. Социјални фактори — коме и којим групама људи верују

    \n
    • \n
  • Веродостојност извора / поверење у пошиљаоца: Колико тврдња делује веродостојно зависи од тога ко је наводно износи — пријатељ, утицајна личност, стручњак, политичар, новинска кућа или анонимни налог. — Traberg & van der Linden (2022)\n
    • \n
  • Социјални доказ / сигнали популарности: Лајкови, дељења, прегледи и коментари могу да делују као показатељи кредибилности, иако ефекат зависи од контекста. — Avram et al. (2020)\n
    • \n
  • Складност са сопственом групом / партијска усклађеност: Информације од "људи попут нас", или усклађене са ставом групе, лакше се прихватају. (Уско повезано са политичким идентитетом у категорији 5.) — Sultan et al. (2024)\n
    • \n
  • Хомофилија мреже / коморе одјека: Када људи углавном долазе до информација преко мрежа сличних особа, одређена мишљења делују као да су шире распрострањена него што заправо јесу. (Види такође D1G5.) — Cinelli и др. (2021)\n

    4. Контекстуални / ситуациони фактори — услови под којима људи долазе у контакт са информацијама

    \n
    • \n
  • Временски притисак: Када људи морају брзо да процењују информације, мање прецизно разликују истините од лажних тврдњи. — Sultan и др. (2022)\n
    • \n
  • Информациона преоптерећеност: Када превише информација стигне одједном, људи се ослањају на пречице као што су наслови, емоције, ознаке извора или популарност. — Laato et al. (2020)\n
    • \n
  • Ометање / когнитивно оптерећење: Када је пажња усмерена негде другде, људи могу да деле без провере тачности, чак и ако би иначе могли да препознају дезинформације. — Пенникoук и др. (2020)\n
    • \n
  • Контексти кризе/неизвесности (пандемије, рат, катастрофе): хитна потреба за објашњењем повећава отвореност према лажним или преурањеним тврдњама. — Roozenbeek и др. (2020)\n
    • \n
  • Дизајн платформе: Фидови, обавештења, системи за препоруку, аутоматско репродуковање и брзо скролање подстичу реактивно, а не рефлексивно понашање. (Види такође D1G1.) — Lorenz-Spreen et al. (2020)\n

    5. Фактори позадине и диспозиције — ко може бити више или мање подложан у одређеним контекстима

    \n
    • \n
  • Доб: Старије особе понекад боље разликују истините од лажних наслова у студијама, али чешће деле дезинформације на интернету. — Guess, Nagler & Tucker (2019)\n
    • \n
  • Образовање: Није аутоматски штит; мета-анализе показују да нема једноставан ефекат на дискриминацију дезинформација. — Султан и др. (2024)\n
    • \n
  • Политички идентитет и претходна уверења: Обликују које информације делују веродостојно, претње, поуздано или вредно дељења. (Делује путем когниције која штити идентитет у категорији 2 и сигнала унутаргрупе у категорији 3 — није искључиво демографска променљива.) — Султан и др. (2024)\n
    • \n
  • Навике медијске писмености: Људи који упоређују изворе, читају даље од наслова и препознају технике манипулације мање се ослањају на емоционалне или друштвене пречице. (Напомена: ово је циљ учења самог SciLMi-ја — наведено овде као документовано заштитно опредељење, а не као предуслов.) — Guess и др. (2020)\n
    • \n
\n
\n
\n
\n
\n\n
    \n
  • \nAvram, M., Micallef, N., Patil, S., & Menczer, F. (2020). Изложеност метрикама друштвеног ангажовања повећава рањивост на дезинформације. 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., & Van Bavel, J. J. (2017). Емоција обликује дифузију морализованог садржаја у друштвеним мрежама. Зборник Националне академије наука\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). Ефекат одјекне коморе на друштвеним мрежама. Proceedings of the National Academy of Sciences\n, 118\n(9), e2023301118. https://doi.org/10.1073/pnas.2023301118\n
    • \n
  • \nDouglas, K. M., Sutton, R. M., & Cichocka, A. (2017). Психологија теорија завере. 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). Мање него што мислите: Преваленција и предиктори ширења лажних вести на Фејсбуку. 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). Да ли медијска писменост помаже у идентификацији лажних вести? Информациона писменост помаже, али друге писмености не. American Behavioral Scientist\n, 65\n(2), 371–388. https://doi.org/10.1177/0002764219869406\n
    • \n
  • Kahan, D. M. (2013). Идеологија, мотивисано резоновање и когнитивно размишљање. Суђење и доношење одлука, 8(4), 407–424.\n
    • \n
  • \nKahan, D. M., Peters, E., Dawson, E. C., & Slovic, P. (2017). Motivated numeracy and enlightened self-government. 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). Шта покреће дељење непроверених информација и сајберхондрију током пандемије КОВИД-19? European Journal of Information Systems\n, 29\n(3), 288–305. https://doi.org/10.1080/0960085X.2020.1770632\n
    • \n
  • \nЛорeнц-Сприн, П., Левандовски, С., Санстеин, Ц. Р., и Хертвиг, Р. (2020). Како бихејвиоралне науке могу промовисати истину, аутономију и демократски дискурс на интернету. Nature Human Behaviour\n, 4\n(11), 1102–1109. https://doi.org/10.1038/s41562-020-0889-7\n
    • \n
  • \nMartel, C., Pennycook, G., & Rand, D. G. (2020). Ослањање на емоције подстиче веру у лажне вести. Cognitive Research: Principles and Implications\n, 5\n(1), 47. https://doi.org/10.1186/s41235-020-00252-3\n
    • \n
  • \nНикерсон, Р. С. (1998). Конфирмациони биас: Свеприсутан феномен у многим облицима. 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). О пријему и откривању псевдо-дубоког глупог брбљања. Judgment and Decision Making, 10(6), 549–563.\n
    • \n
  • \nPennycook, G., McPhetres, J., Zhang, Y., Lu, J. G., & Rand, D. G. (2020). Борба против дезинформација о КОВИД-19 на друштвеним мрежама: експериментални докази за скалабилну интервенцију засновану на подстицању тачности. Psychological Science\n, 31\n(7), 770–780. https://doi.org/10.1177/0956797620939054\n
    • \n
  • \nPennycook, G., & Rand, D. G. (2019). Ленљиви, а не пристрасни: Подложност партијским лажним вестима боље се објашњава недостатком резоновања него мотивисаним резоновањем. Cognition\n, 188\n, 39–50. https://doi.org/10.1016/j.cognition.2018.06.011\n
    • \n
  • \nReber, R., & Schwarz, N. (1999). Ефекти перцептивне флуенције на процене истинитости. 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., & van der Linden, S. (2020). Рањивост на дезинформације о КОВИД-19 широм света. 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). Временски притисак смањује способност разликовања дезинформација, али не мења пристрасност у одговору. Scientific Reports\n, 12\n(1), 22416. https://doi.org/10.1038/s41598-022-26209-8\n
    • \n
  • \nСултан, М., Тамп, А. Н., Ехман, Н., Лоренц-Сприн, П., Хертвиг, Р., Голвицер, А., и Курверс, Р. Х. Ј. М. (2024). Подложност онлајн дезинформацијама: систематски мета-анализа демографских и психолошких фактора. Зборник Националне академије наука\n, 121\n(47), e2409329121. https://doi.org/10.1073/pnas.2409329121\n
    • \n
  • \nTraberg, C. S., & van der Linden, S. (2022). Птице истог перја се заједно убеђују: Перципирана кредибилност извора посредује ефекат политичке пристрасности на подложност дезинформацијама. Personality and Individual Differences\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). Истина понављањем: Објашњења и импликације. Current Directions in Psychological Science\n, 28\n(3), 247–253. https://doi.org/10.1177/0963721419827854\n
    • \n
\n
\n
\n

☑ Логичке заблуде

\n
\n
\n\n
    \n
  • Проверите поспешне генерализације - закључак на основу премало доказа.\n
    • \n
  • Проверите лажне дилеме - ограничавање опција на две када их постоји више.\n
    • \n
  • Проверите аргументе сламене фигуре - искривљавање нечијег става како би се лако оповргло.\n
    • \n
  • Проверите апеле на незнање - тврђење истинитости због недостатка оповргавања.\n
    • \n
  • Проверите апеле на ауторитет - прихватање истине искључиво на основу ауторитета.\n
    • \n
  • Проверите да ли постоје лажни трагови - одвраћање пажње са главне теме.\n
    • \n
  • Проверите лажне узроке - мешање корелације са узрочношћу.\n
    • \n
  • Проверите ad hominem – нападање особе, а не аргумента.\n
    • \n
  • Проверите ad populum – тврђење да је нешто истинито због популарности.\n
    • \n
  • Проверите аргумент клизаве падине - тврдња да један корак води ка екстремима.\n
    • \n
  • Проверите кружно закључивање - коришћење закључка као премисе.\n
    • \n
\n
\n
\n
\n
\n\n
\n
\n
\n

Дезинформације

\n

Дезинформација је лажна или обмањујућа информација коју намерно деле људи који знају да је лажна, са намером да нанесу штету, преваре или манипулишу. И свест пошиљаоца о лажности и штетна намера су дефинишући елементи.

\n

Уобичајени облици укључују операције политичког утицаја, комерцијалну обману, пропаганду, измишљени садржај и манипулисане медије. Дезинформације често производе организовани актери и појачавају се кроз координисано неаутентично/вештачко појачавање (више горе).

\n

Малиинформација

\n

Малиинформација је истинита информација која се дели са намером да се нанесе штета. Сама садржина је тачна, али је њено објављивање, оквирирање или тренутак објављивања осмишљено да нанесе штету појединцу, групи или институцији. Класичан образац је намерно премештање приватних, осетљивих или контекстуално везаних информација у јавни или штетан контекст.

\n

Примери укључују објављивање процурелих приватних комуникација ради дискредитације циља, објављивање тачних али стигматизујућих личних података (нпр. осветничка порнографија) и стратешко откривање чињенично тачних, али контекстуално штетних информација у тренуцима прорачунатим за максимални утицај.

\n

Малиинформација је најмање дискутована од три категорије јер садржај није лажан, што га издваја из оквира провере чињеница. Међутим, она чини значајан део екологије поремећаја у информисању (Wardle & Derakhshan, 2017).

\n
\n
\n\n

Границе су пропустљиве. Три категорије се често преплићу или се у пракси мењају:

\n
    \n
  • Једна дезинформација, када је једном поделе људи који у њу искрено верују, постаје дезинформација (misinformation) како се даље шири. Исти садржај може припадати различитим категоријама у зависности од тога ко га дели.\n
    • \n
  • Садржај може бити делимично истинит и делимично неистинит. Вордл (2017) наводи седам облика у оквиру поремећаја у информисању — укључујући обмањујући садржај, лажни контекст и манипулисани садржај — нису сви неистинити садржаји у потпуности измишљени.\n
    • \n
  • Одређивање намере споља је емпиријски тешко. Без приступа стању знања и мотивацији онога ко дели садржај, граница између дезинформација и дезинформационе пропаганде често се не може повући дефинитивно.\n

    Зато овај оквир тражи од ученика да објасне зашто је у пракси често тешко утврдити границу између дезинформација и misinformation.

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

Халуцинација / Конфабулација вештачке интелигенције

\n

Систематска тенденција генеративних вештачких интелигенција да производе садржај који звучи веродостојно, а који је чињенично нетачан, измишљен или непотврђен — укључујући измишљене референце, неpostoјеће студије, неправилно приписане цитате, измишљене статистике и лажне биографске, историјске или научне детаље.

\n

Халуцинације настају зато што генерисани АИ системи производе резултате предвиђајући вероватне наставке на основу образаца научених током обуке, а не преузимањем проверених информација из извора знања. Систем оптимизује течност и веродостојност, а не тачност. Измишљени садржај обично се представља са истом мером поверења као и тачан садржај — не постоји унутрашњи сигнал који поуздано разликује једно од другог.

\n

У истраживачким контекстима понекад се више воли термин конфабулација уместо халуцинација, јер у психологији конфабулација означава конструисање лажних, али искрено верованих прича без намере да се обману — што је ближе ономе што генеративни системи заправо раде. Халуцинација остаје доминантан термин у јавном и техничком дискурсу и овде се задржава.

\n

Халуцинације нису повремени багови. Оне су структурна карактеристика основног процеса генерисања, а не грешке које се могу поуздано елиминисати бољим уносом упита (Kalai & Vempala, 2024). Јављају се у свим генеративним системима — укључујући ☑ RAG AI, где измишљање такође може утицати на то како се извори који су преузети сажету, цитирају или им се приписује ауторство.

\n

Дидактичко позиционирање: Халуцинације се могу концептуално сместити као четврта категорија поред дезинформација, дизинформација и малиинформација. За разлику од њих, не настају од људског извора са намером или грешком, већ произлазе из самог процеса генерације — лажни садржај који генерише систем без намерног извора. Ова тријадна разлика се овде нуди као педагошки корисна рамка, а не као утврђена терминологија консензуса.

\n

Уобичајени типови:

\n
    \n
  • измишљени извори — цитати чланака, књига или студија који не постоје\n
    • \n
  • погрешно приписане или измишљене цитате\n
    • \n
  • измишљене статистике или бројчане тврдње\n
    • \n
  • нетачни биографски, историјски или научни детаљи представљени са поверењем\n
    • \n
  • уверено нетачни резимеи стварних извора\n
    • \n
\n
\n
\n\n

Сваки чињенични навод генерисаног АИ система третирајте као непотврђен док га не проверите у независном извору. Референце и цитати су нарочито лаки за проверу — потражите да ли наведени извор постоји и да ли садржи оно што је АИ тврдио.

\n
\n
\n
\n
\n\n
    \n
  • \nBender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). О опасностима стохастичких папагаја: Могу ли језички модели бити превелики? Зборник радова Конференције ACM-а за 2021. годину о правичности, одговорности и транспарентности (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). Истраживање халуцинације у генерисању природног језика. ACM Computing Surveys, 55\n(12), чланак 248. https://doi.org/10.1145/3571730\n
    • \n
  • \nKalai, A. T., & Vempala, S. S. (2024). Калибрисани језички модели морају да халуцинирају. Зборник радова 56. годишњег ACM симпозијума о теорији рачунарства (STOC 2024)\n, 160–171. https://doi.org/10.1145/3618260.3649777\n
    • \n
  • \nSmith, A. L., Greaves, F., & Panch, T. (2023). Халуцинација или конфабулација? Неуроанатомија као метафора у великим језичким моделима. PLOS Digital Health, 2\n(11), e0000388. https://doi.org/10.1371/journal.pdig.0000388\n
    • \n
\n
\n
\n

Погрешно представљање садржаја

\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
ФорматМанипулисаноИзмишљено
Текстаутентичан цитат издвојен из контекста, измењен насловизмишљени цитат, фиктивни чланак, текст генерисан вештачком интелигенцијом
Сликаретуширана фотографија, исечена оригиналнаСлика генерисана вештачком интелигенцијом, насликана лажна "фотографија"
Аудиоуређено или убрзано оригинално снимањеклон гласа, говор генерисан вештачком интелигенцијом
Видеојефтин фалсификат, премонтирани клиповипотпуно синтетички дрифек видео
Документфалсификовани заглавље на измењеном шаблонуизмишљено "службено" писмо
\n

Измишљени садржај

\n

Измишљени садржај је информација — текст, слика, аудио, видео, документ или неки други формат — која је у потпуности измишљена, без икаквог аутентичног изворног материјала. Може бити произведен ручно (измишљени цитати, измишљени новинарски чланци) или синтетички генерисан од стране вештачких интелигенција (синтетички видео снимци, гласовни клонови, вештачки интелигенцијом генерисане слике, текст написан вештачком интелигенцијом).

\n

Манипулисани садржај

\n

Манипулисани садржај је аутентичан садржај — текст, слика, аудио, видео, документ или други формат — који је измењен како би се обмануло. Изворни материјал је стваран, али је измењен кроз монтажу, селективно исецање, промену брзине, реконтекстуализацију, промене у кадрирању, замену гласа или друге трансформације које мењају његово значење или очигледан контекст.

\n

Јефтин лаж

\n

Јефтин лажни садржај је медиј који је измењен коришћењем конвенционалних, широко доступних алата — софтвера за уређивање слика, софтвера за уређивање видео записа или основне реконтекстуализације — уместо метода генерисања заснованих на вештачкој интелигенцији. Термин су сковали Парис и Донован (2019) како би скренули пажњу на чињеницу да најзначајнији облици манипулисаних медија у јавном дискурсу обично нису софистицирани дрифејкови генерисани вештачком интелигенцијом, већ једноставне, јефтине технике које свако може да примени.

\n

Уобичајене технике јефтиних фалсификата укључују:

\n
    \n
  • манипулација брзином (нпр. успорен видео Пелоси, 2019)\n
    • \n
  • пресецање и селективно уређивање аудио или видео записа\n
    • \n
  • реконтекстуализација (стварни медији представљени са лажним натписом или у оквиру лажног контекста)\n
    • \n
  • ретуширање фотографија, обрезивање или композитинг\n
    • \n
  • замењени натписи и фалсификовани снимци екрана\n
    • \n
  • склепaвање аудио записа\n
    • \n
\n

Да ли јефтин лажни садржај представља дезинформацију, дезинформативни садржај или злонамерне информације зависи од знања и намере актера (→ поремећај у информисању), а не од саме технике. Исти измењени видео може служити за сатиру, фикцију, едукацију или обману.

\n

У поређењу са дубоким лажним садржајем (Deep Fakes), јефтини лажни садржаји захтевају мање техничке вештине, али их није нужно лакше открити — добро изведена реконтекстуализација или селективна монтажа могу бити изузетно тешке за идентификовати без приступа оригиналном изворном материјалу.

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

Алати за верификацију јефтиних фалсификата:

\n
\n
\n
\n

Deep Fake

\n

Deep Fake

\n

Дип фेक је синтетички медиј генерисан вештачком интелигенцијом — конкретно коришћењем техника дубоког учења као што су генеративне противничке мреже (GAN), дифузни модели или генератори засновани на трансформаторима. Термин је сложена реч од енглеских речи deep learning (дубоко учење) и fake (лажно), а пореклом је из 2017. године из онлајн заједница које су производиле видео записе са заменом лица генерисане вештачком интелигенцијом. Ова технологија се од тада проширила на различите медијске формате и сада је широко доступна кроз алате за широку потрошњу.

\n

Уобичајени облици укључују:

\n
    \n
  • Замена лица: замена лица једне особе лицем друге у видео снимку\n
    • \n
  • Клонирање гласа: синтетисање гласа говорника на основу малог аудио узорка\n
    • \n
  • Потпуно синтетички видео: снимци генерисани вештачком интелигенцијом који приказују људе, догађаје или сцене које се никада нису догодиле\n
    • \n
  • Синтетичка фотографија: статичне слике измишљених људи или догађаја генерисане вештачком интелигенцијом\n
    • \n
  • Текст у видео и текст у аудио: генерисање медија из писаних упита\n
    • \n
\n

Да ли дјеп фeјк представља дезинформацију, дизинформацију или малформацију зависи од знања и намере актера (→ поремећај информација), а не од саме технике. Методе дјеп фeјка се такође легитимно користе у филмској продукцији, алатима за приступачност (синтетички гласови за особе које су изгубиле свој), синхронизацији, сатири, образовању и уметности.

\n

У поређењу са јефтиним фалсификатима, длабоки фалсификати захтевају више техничког капацитета за убедљиву продукцију и могу постићи виши визуелни или аудитивни реализам. Међутим, они нису доминантан облик манипулације медијима у јавном дискурсу — Парис и Донован (2019) примећују да једноставније технике јефтиних фалсификата и даље остају чешће и често са далекосежнијим последицама. Откривање је активна област истраживања; тренутни приступи комбинују анализу артефаката, проверу биолошких неслепица и верификацију порекла (нпр. C2PA акредитиве садржаја).

\n
\n
\n\n
    \n
  • \nParis, B., & Donovan, J. (2019). Deepfakes and Cheap Fakes: The Manipulation of Audio and Visual Evidence\n. Data & Society Research Institute.https://datasociety.net/library/deepfakes-and-cheap-fakes/\n
    • \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
    • \n
  • \nVaccari, C., & Chadwick, A. (2020). Deepfakes and disinformation: Exploring the impact of synthetic political video on deception, uncertainty, and trust in news. Social Media + Society\n, 6(1), 1–13. https://doi.org/10.1177/2056305120903408\n
    • \n
\n
\n
\n
\n
\n\n

Алати за верификацију дубоких лажних снимака:

\n
\n
\n
","UPDATEDAT":"2026-05-11T20:49:09.513Z","LANG":"sr","ID":"3a2e66d9-94a9-482d-a20b-3c977e896fa3","TITLE":"Дезинформације и манипулација","SOURCELANG":"en"}