Pular para o conteúdo principal

KG x Fact-Checking Redes Sociais

Das leituras que fiz durante a minha pesquisa bibliográfica, a única abordagem que percebi que poderia ser aplicada para relacionar KG e redes sociais seria nas tarefas de fact-checking.

Os 3 artigos abaixo apresentam um modelo de Alegações Contextualizados usando a Ontologia Schema.org que separa a proposição (justificativa e representação formal), a declaração (expressão da alegação) e o contexto da declaração realizada. As declarações podem estar associadas a qualquer recurso online (blogs, redes sociais, sites da imprensa, etc ...). É o caso de análise de discurso para identificar "Quem disse o quê", "Quando disse", "Onde disse" e "Por que disse" bem como ter UMA justificativa na forma de proposição para o que é dito mas o modelo NÃO prevê o contexto das proposições para uma avaliação de sua veracidade (uso a revisão de sites de Fact-Checking).

   

A separação  entre fato e alegação está definida da seguinte forma: 

"the notion of a claim is fundamentally different from the notion of a fact as an atomic assertion in the first-order-logic sense. This is due to the inherent complexity of a claim, where its interpretation usually is strongly dependent on its context, such as its source, timing, or location."

Na análise da WD que fizemos identificamos Alegações que podem ser contraditórias entre si (Caso da capital de Israel por exemplo), associadas explicitamente ou não à marcadores de preferência, obsolescência e contradição, com suas respectivas justificativas. Usar a WD para análise do discurso dentro da hipótese de Dual OWA requer considerar o contexto das Alegações de ambos os lados. Não seria somente "Quando disse" mas também "Sobre quando disse" bem como explorar estas diferentes perspectivas que podem ter aparência de contradição quando houverem. Na análise de discurso nem sempre é uma questão de estabelecer uma verdade, pode ser o caso de identificar e fundamentar uma disputa de narrativas. Ainda assim, concluir que algo é verdadeiro para ser usado em uma ação, mesmo na ausência de contradição, não seria possível sem uma camada adicional para definir políticas de confiança.

    Tchechmedjiev, A., Fafalios, P., Boland, K., Gasquet, M., Zloch, M., Zapilko, B., Dietze, S., Todorov, K., ClaimsKG: A Live Knowledge Graph of Fact-Checked Claims, 18th International Semantic Web Conference (ISWC19), Auckland, New Zealand, October 2019.
    http://users.ics.forth.gr/~fafalios/files/pubs/ISWC2019_ClaimsKG.pdf
    
    Gasquet, M., Brechtel, D., Zloch, M., Tchechmedjiev, A., Boland, K.,Fafalios,P., Dietze, S., Todorov, K., Exploring Fact-checked Claims and their Descriptive Statistics, ISWC Satellites 2019: 289-292.
    http://users.ics.forth.gr/~fafalios/files/pubs/ISWC2019_Demo_ClaimsKG.pdf
    
    Boland, K., Fafalios, P., Tchechmedjiev, A., Todorov, K., Dietze, S., Modeling and Contextualizing Claims, in Proceedings of the 2nd International Workshop on Contextualised Knowledge Graphs, collocated with 18th International Semantic Web Conference (ISWC2019), Auckland, 27 October, 2019. (PDF)
    http://users.ics.forth.gr/~fafalios/files/pubs/CKG2019.pdf

Deste último artigo tem uma leitura comentada no Blog: https://versant-pesquisadedoutorado.blogspot.com/2022/12/modeling-and-contextualizing-claims.html e tem um exemplo de instanciação do modelo deles. 

Os autores construiram um ClaimsKG como um KG para alegações (e seu contexto), entidades nomeadas nestes alegações (associadas a DBPedia), revisões das alegações por sites de Fact-Checking e links para as fontes. ClaimsKG foi gerado pela extração de dados de 14 sites com alta reputação de acordo com a comunidade de verificação de fatos.
O site é https://data.gesis.org/claimskg/

A ferramenta de Exploração não está trazendo resultados (testei Bolsonaro e covid)
https://data.gesis.org/claimskg-explorer/research

O EndPoint funciona mas é preciso entender melhor o modelo em RDF
https://data.gesis.org/claimskg/sparql

Comentários

  1. Evento Contextualized Knowledge Graphs na ISWC 2019

    https://data.gesis.org/claimskg-explorer/research não está mais no ar. Deu erro!

    Dataset: KG com Alegações Contextualizadas extraídos de sites de Fact-Checking. O Contexto se aplica ao enunciado da alegação (quem disse, quando disse, onde está descrito o que foi dito, etc ...) mas não se aplica ao conteúdo da alegação, ou seja, ao que foi dito. Não possuem Alegações Contextualizadas que serviriam como justificativa para outras alegações.

    ResponderExcluir

Postar um comentário

Sinta-se a vontade para comentar. Críticas construtivas são sempre bem vindas.

Postagens mais visitadas deste blog

Aula 12: WordNet | Introdução à Linguagem de Programação Python *** com NLTK

 Fonte -> https://youtu.be/0OCq31jQ9E4 A WordNet do Brasil -> http://www.nilc.icmc.usp.br/wordnetbr/ NLTK  synsets = dada uma palavra acha todos os significados, pode informar a língua e a classe gramatical da palavra (substantivo, verbo, advérbio) from nltk.corpus import wordnet as wn wordnet.synset(xxxxxx).definition() = descrição do significado É possível extrair hipernimia, hiponimia, antonimos e os lemas (diferentes palavras/expressões com o mesmo significado) formando uma REDE LEXICAL. Com isso é possível calcular a distância entre 2 synset dentro do grafo.  Veja trecho de código abaixo: texto = 'útil' print('NOUN:', wordnet.synsets(texto, lang='por', pos=wordnet.NOUN)) texto = 'útil' print('ADJ:', wordnet.synsets(texto, lang='por', pos=wordnet.ADJ)) print(wordnet.synset('handy.s.01').definition()) texto = 'computador' for synset in wn.synsets(texto, lang='por', pos=wn.NOUN):     print('DEF:',s

truth makers AND truth bearers - Palestra Giancarlo no SBBD

Dando uma googada https://iep.utm.edu/truth/ There are two commonly accepted constraints on truth and falsehood:     Every proposition is true or false.         [Law of the Excluded Middle.]     No proposition is both true and false.         [Law of Non-contradiction.] What is the difference between a truth-maker and a truth bearer? Truth-bearers are either true or false; truth-makers are not since, not being representations, they cannot be said to be true, nor can they be said to be false . That's a second difference. Truth-bearers are 'bipolar,' either true or false; truth-makers are 'unipolar': all of them obtain. What are considered truth bearers?   A variety of truth bearers are considered – statements, beliefs, claims, assumptions, hypotheses, propositions, sentences, and utterances . When I speak of a fact . . . I mean the kind of thing that makes a proposition true or false. (Russell, 1972, p. 36.) “Truthmaker theories” hold that in order for any truthbe

DGL-KE : Deep Graph Library (DGL)

Fonte: https://towardsdatascience.com/introduction-to-knowledge-graph-embedding-with-dgl-ke-77ace6fb60ef Amazon recently launched DGL-KE, a software package that simplifies this process with simple command-line scripts. With DGL-KE , users can generate embeddings for very large graphs 2–5x faster than competing techniques. DGL-KE provides users the flexibility to select models used to generate embeddings and optimize performance by configuring hardware, data sampling parameters, and the loss function. To use this package effectively, however, it is important to understand how embeddings work and the optimizations available to compute them. This two-part blog series is designed to provide this information and get you ready to start taking advantage of DGL-KE . Finally, another class of graphs that is especially important for knowledge graphs are multigraphs . These are graphs that can have multiple (directed) edges between the same pair of nodes and can also contain loops. The