The impact of digital news on human capital in the context of an infodemia
Table of contents
Share
QR
Metrics
The impact of digital news on human capital in the context of an infodemia
Annotation
PII
S265838870030007-0-1
Publication type
Article
Status
Published
Authors
Nataly Trofimova 
Affiliation: CEMI RAS
Address: Moscow, Nakhimovsky pr., 47
Abstract

The paper makes an attempt to assess the impact of dubious digital information on human capital, in particular on its component - health capital. The main event was the impact of dubious digital information in the form of fakes on the vaccination of the population. Based on methods for processing large data sets, multivariate statistical analysis and factor interaction analysis (Johnson – Neyman algorithm), factors that significantly influence the health factor were identified, and a threshold value for the percentage of fake news influencing the decision to vaccinate was obtained. Exposure of the population to a certain amount of fake news about diseases and vaccines has a negative impact on the healthcare sector. Therefore, it is important to strengthen society's immunity to fake news and promote media objectivity.

Keywords
human capital, infodemic, fakes, processing of large data sets, multivariate analysis, factor interaction analysis, Johnson – Neyman algorithm
Received
08.05.2024
Date of publication
08.05.2024
Number of purchasers
2
Views
71
Readers community rating
0.0 (0 votes)
Cite Download pdf
Additional services access
Additional services for the article
1

Введение

2 В настоящее время человеческий капитал все чаще становится одним из факторов лидерства экономики страны. Способность эффективно использовать и развивать знания и умения людей, а также применять их в своей профессиональной деятельности ведет к повышению показателей эффективности деятельности, к росту добавленной стоимости и производительности труда, что обеспечивает как прямой, так и косвенный вклад в ВВП страны. Понятие человеческого капитала тесно связано с понятием социальный капитал. Качество человеческого капитала определяет степень развитости социальных связей и культуры общества [2, с. 6–7].
3 По данным Всемирного банка на 2022 год, около 64 % мирового благосостояния составляет человеческий капитал, что делает его не менее важным источником развития экономики по сравнению с энергетическими ресурсами и современными технологиями.
4 Целью работы является анализ влияния цифровых новостей на человеческий капитал в условиях инфодемии.
5

Человеческий капитал и его виды

6 Понятие «человеческий капитал» можно рассматривать в узком и широком его понимании. В узком смысле под человеческим капиталом подразумевается образование, полученное человеком, его умения и навыки, используемые им в профессиональной деятельности. В широком же смысле человеческий капитал представляет собой совокупность врожденных способностей, творческого потенциала, морального и психического здоровья, накопленных и усовершенствованных путем инвестиций в образование, профессиональный опыт, здоровье и культуру, необходимых для трудовой деятельности, приносящей доход их обладателю [5].
7

В настоящее время выделяются следующие виды человеческого капитала:

– национальный человеческий капитал (умственные, физические и трудовые способности рассматриваются как одна из составляющих национального богатства, способствующая развитию всей экономики страны);

– человеческий капитал организации (рассматривается как составляющая деятельности отдельной компании, способствующая повышению результатов ее деятельности);

– индивидуальный человеческий капитал (представляет собой фактор, способствующий повышению уровня жизни индивида и его дохода).

8 Индивидуальный человеческий капитал является основой всех видов человеческого капитала и включает в себя общие и специфические составляющие. Общие составляющие представляют собой капитал образования, здоровья и культуры человека, а специфические составляющие учитывают особенности социализации личности, степень вовлеченности в корпоративную культуру, предпринимательские и творческие способности и характеризуют потенциал социального взаимодействия индивида. Необходимо отметить, что капитал здоровья играет ведущую роль в формировании человеческого капитала.
9 Человеческий капитал обладает характерными особенностями, отличающими его от других видов капитала:
  • его нельзя продать или передать от человека к человеку, т. е. он не является ликвидным;
  • функционирование человеческого капитала во многом зависит от человека, которому он принадлежит;
  • он формируется путем долгосрочных инвестиций из разных источников, а доходы, получаемые человеком от его реализации, принадлежат только ему;
  • со временем человеческий капитал специфически меняется, т. е. улучшаются или ухудшаются показатели здоровья, образования, культуры.
10

Факторы, влияющие на человеческий капитал

11

Видоизменяться человеческий капитал может под воздействием целого комплекса факторов, которые можно объединить в несколько групп [3]:

  1. Социально-экономические факторы (состояние рынка труда, общий уровень образования и здоровья населения).
  2. Демографические факторы (численность населения, половозрастная структура, темпы прироста населения).
  3. Экологические факторы (качество природных ресурсов, общее экологическое состояние страны).
  4. Институциональные факторы (государственная политика в социальной и культурной сфере, обеспечение равных возможностей для образования и трудоустройства).
  5. Технологические факторы (государственная политика в отношении новых технологий, изменения в использовании коммуникационных технологий).
12 В настоящее время наиболее существенную роль играют технологические факторы. Основой этих факторов являются информационно-коммуникационные технологии (ИКТ). Развитие ИКТ привело к тому, что мировосприятие людей, их взгляды, привычки и знания о мире в значительной степени формируются под воздействием новостей, получаемых из интернета, прессы и телевидения. Следовательно, качество распространяемой в них информации напрямую влияет на представления человека о процессах, происходящих в мире [1]. Особенно это касается молодых людей, взгляды которых формируются в основном благодаря интернету. В результате ИКТ формируют практически восемьдесят процентов индивидуального и общественного мнения. ИКТ служит основой цифровизации всех сфер деятельности. Пандемия коронавируса ускорила процесс цифровизации в мире и позволила выявить множество рисков. Одним из неблагоприятных последствий ускоренной цифровизации стало распространение всевозможных фейковых новостей, которое приняло характер информационной эпидемии или так называемой «инфодемии».
13

Инфодемия и фейки

14 Термин инфодемия появился в 2003 году. Оксфордский словарь определяет термин «инфодемия» как распространение разнообразной, часто необоснованной информации о событиях, которая быстро и неконтролируемо распространяется в медиапространстве и рассматривается как средство усиления общественной спекуляции и беспокойства. Появление термина было связано с эпидемией атипичной пневмонии, однако особенно активно этот термин стал использоваться спустя 17 лет для описания распространения информации о коронавирусе. ВОЗ, используя этот термин, заявила, что инфодемия не менее опасна, чем сама эпидемия.
15 С термином инфодемия тесно связано понятие «фейк». Под фейком (от англ. слова fake) понимается нечто фиктивное, созданное с целью искажения действительности или обмана других людей. По смыслу фейк близок понятию лжи, но не тождественен ему. Если ложь – это высказывание, заведомо не соответствующее истине и высказанное сознательно, то фейк как искажение реальности может быть преднамеренным (заранее определенным) и непреднамеренным (обусловленным объективными факторами). Фейк может выступать и как самообман. Фейковость (от англ. слова fakery) – зыбкость, непостоянство, фальшивость, мошенничество, фабрикация того, чего не существует. Слово «фейк» стало популярным в европейских странах после выхода книги Мартина Долла «Фальсификация и подделка»1 в Германии (2012 г.)
1. Doll, Martin. Fälschung und Fake: Zur diskurskritischen Dimension des Täuschens / Martin Doll. – Berlin: Kulturverlag Kadmos, 2012. – 480 S.
16 Проблема фейковости может рассматриваться в разных аспектах. В экономической теории введено понятие фейковой экономики. Многие исследователи подходят к анализу фейковых новостей с точки зрения политологического анализа. К ним относятся Г. Пенникук, Т. Кэннон, Д. Рэнд, Й. Дрексл, Я. Шнелленбах и др. Активное изучение фейкового феномена наблюдается и в России. В основном эти исследования относятся к сфере правоведения и социологии.
17 Фейковые новости как явление и их влияние на качество человеческого капитала представляют собой малоизученную область. Исследователям только предстоит дать точное научное определение этому понятию, осуществить его классификацию и типологизацию, оценить степень его влияния на процессы, протекающие в обществе [4].
18 Тем не менее, принято считать, что фейковые новости – это вбросы информации резонансного характера, целью которых является провоцирование ажиотажа вокруг ложного информационного повода. Наиболее ярким примером является ситуация, связанная с пандемией COVID-19.
19 Если рассматривать статистику фейков, распространяемых в России в 2020 году, можно заметить, что по своему характеру они в большинстве случаев содержали неподтвержденную информацию, касающуюся здоровья, а также действий властей в сложившихся условиях.
20 Обилие недостоверной информации привело к снижению темпов вакцинации в России и в мире и повышению риска распространения инфекции для всего общества в целом. Так как физическое здоровье, необходимое для нормальной работоспособности, является частью человеческого капитала, подобные дезинформирующие слухи негативно влияют на его качество.
21 Помимо физического здоровья, ажиотаж и паника, создаваемые вокруг фейковых новостей, расшатывают психическое состояние людей, приводят к их духовной нестабильности. Из-за неопределенности в период пандемии люди вынуждены постоянно мониторить эту тему, ежедневно пропуская через себя огромный объем новостей, в том числе и фейковых, что только увеличивает тревожность. Излишняя психологическая загруженность и утрата жизненных ориентиров работоспособной части населения может привести к снижению её творческого потенциала и, как следствие, негативно отразиться на результативности трудовой деятельности.
22 Пандемия COVID-19 распространялась по всему миру примерно с середины 2020 года. Проведенные в мире исследования показали, что дезинформация о болезнях, противоковидной вакцинации и потенциальных побочных эффектах вакцины оказывает неблагоприятное воздействие на показатели вакцинации. В результате была выдвинута гипотеза, что более высокая распространенность дезинформации может оказать большее негативное влияние на решения о вакцинации.
23

Подходы, используемые для выявления фейковых новостей

24 Выявление дезинформации или фейковых новостей на основе большого количества данных в интернете является сложной задачей [10].
25 Обычно используются два подхода к выявлению фейковых новостей. Первый подход основан на вербальной проверке документа, второй подход предполагает использование специальных сайтов.
26 Первый подход прост в использовании, но не дает полной гарантии обнаружения фейков. Этот подход включает пять основных методов выявления фальшивых новостей:
  1. Проверка содержания новости. Считается, что почти половина информационных сообщений содержат так называемый кликбейт2.
  2. Проверка первоисточника новости. Даже если указан весьма авторитетный первоисточник, надо проверить, публиковал вообще этот источник указанную новость, или нет.
  3. Проверка здравым смыслом и собственными глазами. Наблюдались случаи, когда источник новости – серьезный и компетентный, но допускает ошибку.
  4. Проверка фактов. В настоящее время все большее распространение получили фактоиды, которые представляют собой полностью выдуманные факты. Они могут присутствовать не только в СМИ, но и в научных статьях. Чаще всего в виде разных графиков и диаграмм. К сожалению, пользователи редко проверяют источники такой информации и способствуют ее распространению.
  5. Проверка экспертами и оппонентами.
2. Под кликбейтом понимается преувеличение или искажение реальных новостей для создания сенсаций.
27 Второй подход предполагает использование веб-сайтов. При этом все используемые ресурсы для проверки документа и его источников можно разделить на две группы. Первая группа основана на проверке аккаунтов. Вторая – предполагает использование технологии машинного обучения.
28 Примером первой группы может служить сервис для проверки активности Botometer3 (первоначальное название BotOrNot), который был создан в Университете Индианы и оценивает аккаунты по шкале от нуля до пяти, где ноль обозначает, что аккаунт принадлежит реальным пользователям, а пятеркой обозначаются фейковые аккаунты. Оценка проводится на основе твитов (коротких сообщений, статусов, видимых всем «друзьям» пользователя в социальной сети), истории публикаций и упоминаний другими пользователями.
3. >>>>
29 В качестве примера второй группы можно упомянуть программу для проверки фейковых новостей Fake Bananas4, разработанную в колледже Суортмор и представляющую собой модель машинного обучения. С помощью Fake Bananas проводится поиск в авторитетных онлайн-изданиях, связанных с анализируемой темой, и проверяется соответствие анализируемых высказываний с достоверными источниками. Определение фейковых новостей осуществляется с вероятностью 82 %.
4. >>>>
30 Согласно результатам исследования ИСИЭЗ НИУ ВШЭ наиболее распространенным способом проверки достоверности информации является поиск ее первоисточников. Этот способ выбирают 59 % российских пользователей. По данным опросов исследовательской компании Ipsos (2020 г.), к этому способу обращается 51 % жителей Бразилии, 41 % – США и 38 % жителей Австралии. 37,9 % пользователей обсуждают информацию, вызывающую сомнение, с друзьями и родственниками, в социальных сетях и на форумах. Около 37,1 % пользователей пытались найти факты для подтверждения информации. И лишь 4,8 % использовали специальные сервисы (например, Snopes, «Проверено», Fakecheck). В некоторых странах эту стратегию применяют чаще. Так в Австралии к ней обращаются 25 % пользователей сети, в США – 35 %, в Бразилии – 39 % [6].
31

Системы онлайн анализа новостей

32 В работе для исследования использована система онлайн анализа новостей Islander5 (A Real-Time News Monitoring and Analysis System), в которой используется инновационная языковая модель для автоматического просмотра и оценки интернет-новостей, в том числе и оценки подозрительности и подстрекательства в новостях. Эта модель позволяет количественно оценить знание предметной области в сочетании со стилем написания. Данные из базы данных новостей Islander system обычно просматриваются и сохраняются в режиме реального времени. Каждая новость включает заголовок, содержание, источник, время публикации, оценку подозрений и подстрекательства. Новости относят к фейковым новостям, если их оценка подозрительности больше нуля. Баллы подозрительности варьируются от 0 до 1000; более низкие баллы указывают на большую объективность, а нулевой балл преобладают в данных, которые выглядят как распределение Пуассона.  Баллы за подстрекательство также варьируются от 0 до 1000 и чаще всего представляют нормальное распределения; более низкие баллы указывают на меньшее количество подстрекательств. Средний балл подстрекательства за неделю может использоваться в качестве переменной. 
5. >>>>
33

Для анализа популярности запросов (статистика запросов) чаще всего используются сервисы Yandex и Google. Статистика запросов Yandex позволяет получить количество запросов на интересующую тему, учитывая возможности вариации запроса. Это осуществляется с помощью Wordstat6. Необходимо учитывать, что полученные величины отражают возможное количество показов за месяц на основе статистики прошлых периодов, причем в числовом выражении отображается не частота запросов, а показы. Узнать количество запросов в Яндексе непосредственно через Wordstat невозможно. Wordstat поддерживает операторы, которые позволяют уточнить запрос. Для удобства работы с сервисом и обмена данными разработаны Yandex Wordstat Assistant и Yandex Wordstat Helper.

6. >>>>
34

Более закрытым и менее информативным является сервис Google. Для получения статистики по ключевым словам используются Google-аккаунт. Google показывает не частоту запросов, а адаптацию показателей под настраиваемый поиск. Анализ сводится к тому, чтобы предоставить пользователю возможную картину конверсии (отношение числа посетителей сайта, выполнивших на нём какие-либо целевые действия, к общему числу посетителей сайта, выраженное в процентах).

35

Наиболее эффективным средством оценки популярности запросов является Google Trends7. Google Trends представляет собой сервис, позволяющий получить статистику пользовательских запросов на основе поиска с помощью Google. Полученные данные анализируются, распределяются по темам и объединяются в группы. Статистику можно получить по странам и городам мира, в которых используется Google. Для этого в Google Trends содержатся следующие разделы: «Анализ», «Популярные запросы», «Год поиска» и «Подписки». Каждый из разделов выполняет свои функции. Необходимо учитывать, что в инструментарии представлены выборки, а не точное количество запросов. Причем в Google Trends представлено отношение количества определенных запросов к общему количеству запросов в регионе за определенный промежуток времени. Затем данные переводятся в 100-бальную шкалу. Google Trends показывает относительную популярность запроса: 100 баллов означают максимальный интерес к теме, а 0 – недостаточное количество информации по этой теме. При расчёте показателя сервис использует данные с учётом времени и места отправки запросов.

7. >>>>
36

Основные гипотезы

37

Для анализа влияния фейковой информации на решения о вакцинации были выдвинуты следующие гипотезы:

Н1: количество доступных доз вакцины положительно влияет на количество новых вакцинаций;

Н2: фейковые новости отрицательно влияют на количество новых вакцинаций;

Н3: новости, связанные с эпидемией, в частности отраженные в Google Trends, положительно влияют на количество новых вакцинаций;

Н4: существует взаимодействие между процентом фейковых новостей и уровнем Google Trends.

38

Описание данных

39

Для анализа влияния фейковых новостей на количество вакцинированных использовались еженедельные данные по Тайваню, полученные на основе ежедневных данных за период с 13 июня 2021 г. по 30 октября 2021 г. (20 недель) К ним относятся количество доступных доз вакцины, рассчитанное как разница между количеством доступных доз вакцины и количеством прививок; количество новых случаев COVID-19 за неделю; количество новых прививок, проводимых в неделю; количество новых вакцинированных людей в неделю и еженедельный средний балл Google Trends.

40 Отбор новостей, связанных с COVID-19 и вакцинацией, проводился с использованием ключевых слов, ограничивающихся китайскими новостями: «COVID», «AstraZeneca (AZ)», «Moderna», «вакцина», «вакцинировать», «вакцинация» и др.
41 В качестве фейковых новостей использовались новости с оценкой подозрительности выше нуля. Оценка подозрительности варьировалась от 0 до 1000. Более низкие баллы указывают на большую объективность. Средний еженедельный балл подстрекательства варьировался от 0 до 1000 и имеет вид распределения Гаусса, причем более низкие баллы указывают на меньшее подстрекательство.
42 В качестве результирующих данных использовались данные о количестве новых доз вакцинации и числе новых вакцинированных людей на следующую неделю.
43 В результате для анализа использовались 791 183 новости о COVID-19 и вакцинах из 26 интернет-источников новостей.
44 Необходимо отметить, что для оценки количества фейковых новостей использовались данные, полученные с помощью Google Trends, а также новости, оцененные с помощью Islander как подстрекательство.
45

Построение модели и анализ полученных результатов

46

Учитывая сформулированные гипотезы, было предложено использовать следующие переменные:

X1 - общее количество доступных доз вакцины;

X2 – средний балл подстрекательства (Islander);

X3 – средний балл новостей, связанных с эпидемией, в Google Trends;

X4 – отношение фальшивых новостей (фейков) к уровню Google Trends в процентах.

47 В качестве зависимой переменной Y использовалось число новых вакцинированных лиц на следующей неделе.
48 Данные были нормализованы. Нормализация необходима, т. к. при использовании больших объемов данных в случае нормализации устраняются повторяющиеся данные, а структура данных преобразуется так, чтобы они занимали меньше места, и поиск по элементам был быстрым и результативным.
49 Регрессионный анализ проводился с использованием статистического пакета R (версия 4.1.1; R Core Team), R Commander (версия 2.7-1) и RStudio (версия 1.3.1093). Для проверки гипотез был выбран простейший вариант регрессии – множественная линейная регрессия.
50 Результаты регрессионного анализа представлены в таблице.
51

Таблица. Результаты оценки регрессионной модели

Переменные Коэффициент регрессии VIF
Константа –0.0516*
Общее количество доступных доз вакцины, X1 0.7155** 1.70
Средний балл подстрекательства (Islander), X2 –0.4974** 2.86
Средний балл новостей в Google Trends, X3 0.9320* 7.39
Отношение фейковых новостей к уровню Google Trends, X4 –2.8984*** 7.54
R2 =  0,577, скорректированный R2 = 0,498, F3,16 = 7,275; р < 0,05. Примечание: * — p-value < 0.1; ** — p-value < 0.05; *** — p-value < 0.01

Источник: составлено автором по материалам [7].

52

Анализ результатов, представленных в таблице показал следующее:

  1. Полученное уравнение статистически значимо (R2  = 0,577, скорректированный R2 = 0,498, F = 7,275; P < 0,05), хотя:, судя по показателю R2, статистически значимые факторы, указанные в таблице, оказывают влияние на решение о вакцинации только в 50 % случаев. 
  2. Отсутствует мультиколлинеарность независимых переменных, т. к.  для каждого из представленных факторов в таблице коэффициент инфляции дисперсии (VIF) меньше 10. 
  3. На количество новых вакцинаций положительно влияет такой фактор как, количество доступных доз вакцины. Коэффициент регрессии положителен и равен 0.7155 при p-value < 0.05. Следовательно, гипотеза Н1 подтвердилась.
  4. Новости, оцененные с помощью Islander как подстрекательство (фейковые новости), отрицательно влияют на количество вакцинаций. Коэффициент регрессии отрицательный –0.4974 p-value < 0.05. Следовательно, гипотеза Н2 подтвердилась.
  5. Новости, связанные с пандемией и отраженные в Google Trends, положительно влияют на количество вакцинаций. Коэффициент регрессии положителен и равен 0.9320 при p-value < 0.01. Следовательно, гипотеза Н3 подтвердилась.
  6. Фактор, характеризующий отношение (взаимодействие) фейковых новостей и новостей Google Trends является статистически значимым (p-value < 0.01). Коэффициент регрессии отрицателен и равен –2.8984. Можно утверждать, что существует взаимодействие между процентом фейковых новостей и уровнем Google Trends (гипотеза Н4).
53

Следовательно, наши гипотезы подтвердились. Количество доступных доз вакцины и новости, связанные с эпидемией, в частности отраженные в Google Trends, положительно влияет на количество новых вакцинаций (гипотезы Н1 и Н2). Фейковые новости отрицательно влияют на количество новых вакцинаций (гипотеза Н3). Существует взаимодействие между процентом фейковых новостей и уровнем Google Trends (гипотеза Н4). 

54

Применение метода Джонсона-Неймана, входящего в пакет R, позволило вычислить границу, а вернее пороговое значение, когда фейковые новости начинают реально влиять (р < 0.05) на принятие решения о вакцинации. В результате было установлено, что, когда процент фейковых новостей о вакцинации превышает 39,3 %, негативное влияние на количество вакцинации на следующей неделе возрастает.

55

Таким образом, более высокий процент фейковых новостей о COVID-19 и вакцинах в интернете предсказывает более неблагоприятные последствия для доз вакцинации, введенных на следующей неделе. При превышении в процентном отношении фейковыми новостями порогового значения (39,3 %) они начинают оказывать существенное влияние на решение населения об отказе от вакцинации, что подтвердило результаты исследований, проводившихся на Тайване.

56 Воздействие определенного количества фейковых новостей о болезнях и вакцинах на население негативно влияет не только на капитал здоровья индивидуума, но и на все другие составляющие человеческого капитала. Так от состояния капитала здоровья зависят такие составляющие человеческого капитала, как профессиональные навыки и факторы культуры, т. е. профессиональный и культурный капитал, а также ухудшается потенциал социального взаимодействия людей путем повышения нетерпимости и конфликтности членов общества, т. е. в конечном счете, ухудшается состояние социального капитала.
57

Заключение

58 В работе сделана попытка оценить влияние сомнительной цифровой информации на человеческий капитал, в частности на его составляющую – капитал здоровья. В качестве основного события рассматривалось влияние на вакцинацию населения сомнительной цифровой информации в виде фейков. На основе регрессионного анализа и анализа взаимодействия факторов (алгоритм Джонсона – Неймана) было получено пороговое значение процента фейковых новостей, влияющих на решение о вакцинации. Оно составило 39,3 %. Вариация этого значения зависит от интервала исследования.
59 Воздействие на население определенного количества фейковых новостей о болезнях и вакцинах негативно влияет на сферу здравоохранение. Поэтому важной задачей является укрепление иммунитета общества к фейковым новостям и содействие объективности средств массовой информации.
60 В работе анализировалось влияние цифровых новостей только на составляющую человеческого капитала – капитал здоровья. Тогда, как и другие составляющие человеческого капитала, такие как интеллектуальный капитал, профессиональный капитал и т. д. также оказываются в сфере влияния цифровых новостей.
61 При анализе основное внимание было уделено факторам, характеризующим инфодемию, тогда как исследование влияния информации о COVID-19 на капитал здоровья предполагает использование демографических факторов. Такие расчеты были проведены, но они не нашли отражения в данной работе.
62 Из-за сложности получения информации исследование проводилось на основе данных Тайваня. В дальнейшем такая методика анализа новостей может использоваться для других регионов. Тем более что в последние годы сомнительность цифровых новостей стала важной глобальной проблемой.  

References

1. Акимов, А. А. Формирование правосознания молодых специалистов оборонно-промышленного комплекса в период инфодемии / А. А. Акимов, С. В. Полищук, С. М. Григорьев // Человеческий капитал. – 2020. – № 9 (141). – С. 224–231.

2. Бирюкова, С. С. Как увеличить человеческий капитал и его вклад в экономическое и социальное развитие / С. С. Бирюкова, А. Г. Вишневский, В. Е. Гимпельсон, Е. Б. Деминцева [и др.]. – Москва : Издательский дом Высшей школы экономики, 2018. – 64 с.

3. Пришляк, Е. А. Исследование факторов, влияющих на формирование человеческого капитала в Российской Федерации / Е. А. Пришляк, С. Г. Радько // Управление персоналом. – 2018. – № 8 (2). – С. 94–105.

4. Стернин, И. А. Маркеры фейка в медиатекстах / И. А. Стернин, А. М. Шестерина – Воронеж, 2020. – 34 с. – URL: http://sterninia.ru/files/757/4_Izbrannye_nauchnye_publikacii/Psiholingvistika/Markery_fejka.pdf (дата обращения: 12.12.2023).

5. Трофимова, Н. А. Роль экономических и социальных факторов в эффективной деятельности фирм / Н. А. Трофимова // Системное моделирование социально-экономических процессов: сб. трудов Международной научной школы-семинара им. акад. С. С. Шаталина, 30 сентября - 6 октября 2016 г., г. Санкт-Петербург. – С. 267–271.

6. Щербаков, Р. Фейки, или поиск правды в интернете / Р. Щербаков. – URL : https://issek.hse.ru/news/843101496.html?ysclid=lusi9q6dyd580515891 (дата обращения: 12.12.2023).

7. Chen, Y.  The Prevalence and Impact of Fake News on COVID-19 Vaccination in Taiwan: Retrospective Study of Digital Media / Y. Chen, Y. Chen, K. Yang et al. // Journal of Medical Internet Research. – 2022. – Vol 24, No 4.

8. Endsley, M. R. Combating Information Attacks in the Age of the Internet: New Challenges for Cognitive Engineering / M. R. Endsley // Hum Factors. – 2018. – 60(8). – P. 1081-1094.

9. Garett, R. Online misinformation and vaccine hesitancy / R. Garett, S. D. Young // Translational Behavioral Medicine. – 2021. – Vol. 11, Issue 12. – P. 2194–2199. – URL : https://academic.oup.com/tbm/article/11/12/2194/6371221 (дата обращения: 12.12.2023).

10. Lazer, D. M. J. The science of fake news / D. M. J. Lazer, M. A. Baum, Y. Benkler et al. // Science. – 2018. – 359(6380). – P. 1094-1096.

11. Shu, K. Fake News Detection on Social Media: A Data Mining Perspective / Kai Shu, Amy Sliva, Suhang Wang, Jiliang Tang, Huan Liu // ACM SIGKDD Explorations Newsletter. – 2017. – Vol. 19, 08. – URL : https://www.researchgate.net/publication/318981549_Fake_News_Detection_on_Social_Media_A_Data_Mining_Perspective (дата обращения: 12.12.2023).

Comments

No posts found

Write a review
Translate