Un equipo de periodistas y especialistas en computación de Newtral (España) y Science Feedback (Francia) ha probado un método de trabajo que combina revisión manual y análisis automatizado para identificar narrativas de desinformación climática asociadas a las protestas agrarias en Europa, con el objetivo de pasar del desmentido de afirmaciones aisladas a la detección de patrones más amplios que se repiten, se adaptan y viajan entre países, según describen Irene Larraz, Ramón Salaverría y Javier Serrano-Puche en un estudio publicado en International Journal of Communication.
El artículo sitúa este giro en una tendencia del fact-checking que busca “desmantelar” relatos completos que sostienen la difusión de falsedades y permiten observar similitudes temáticas, evolución temporal y circulación transnacional, una tarea para la que los modelos de lenguaje facilitan agrupar verificaciones ya publicadas e inferir ideas dominantes dentro de un conjunto de mensajes.
La investigación se presenta como un estudio de caso desarrollado dentro de Climate Facts Europe, un proyecto liderado por la European Fact-Checking Standards Network (Efcsn) y apoyado por la European Climate Foundation, a partir de un informe de narrativas elaborado por Newtral y Science Feedback.
La base de datos se construyó a partir del repositorio Elections24Check, que reúne verificaciones relacionadas con las elecciones europeas de 2024 y que, de acuerdo con el estudio, se alimenta con aportaciones de más de 40 organizaciones europeas de verificación, con apoyo de la Google News Initiative.
Para localizar piezas vinculadas a las protestas agrarias, los autores describen una estrategia de búsqueda con palabras clave, operadores booleanos y filtros, seguida de limpieza de datos para excluir verificaciones no relacionadas directamente con el objeto del análisis. El proceso redujo un primer conjunto de 978 entradas preliminares a 130 verificaciones seleccionadas por cumplir los criterios definidos para el caso de estudio.
El trabajo se organizó en dos vías paralelas. La primera consistió en una extracción manual de narrativas mediante codificación que combinó aproximaciones deductivas e inductivas, con categorías que se ajustaban de forma iterativa para reforzar la coherencia y la representatividad del conjunto, y con discrepancias resueltas a través de discusión entre quienes anotaban. En esa misma fase, la lista anotada manualmente se revisó con especialistas de la European Climate Foundation para comparar hallazgos vinculados a las protestas.
La segunda vía aplicó un flujo automatizado para agrupar afirmaciones verificadas y estimar volumen de mensajes por grupos. En el estudio se indica que el equipo empleó GPT para agrupar y medir, y que la extracción de narrativas se apoyó en un modelo de lenguaje, con una tabla de comparación entre narrativas manuales y narrativas generadas por el algoritmo.
Entre los ejemplos recogidos en esa tabla aparece, en la parte manual, una narrativa formulada como “las medidas frente al cambio climático son una excusa para controlar lo que se come y el modo de vida”, mientras que en la parte automatizada figuran categorías como “carne cultivada a partir de células animales vendida en Alemania” y otra referencia específica a Redefine Meat y filetes impresos en 3D.
El propio texto señala que, tras obtener las listas automatizadas, se realizó un análisis comparado con los resultados manuales para refinar categorías y precisar grupos, y que se detectaron solapamientos entre categorías automatizadas, como el de las posiciones 4 y 7 en la tabla.
El artículo también introduce un matiz metodológico relevante para interpretar los resultados. Los autores subrayan que las categorías derivadas de “textos falsos” no implican que el contenido general de esas ideas sea falso en todos los casos, sino que dentro del conjunto verificado había bulos concretos que reforzaban esas líneas, y recuerdan que la verificación se refiere a casos específicos mientras que el análisis de narrativas busca destilar mensajes generales encapsulados en ellos.
En la discusión, el estudio atribuye a la automatización ventajas de velocidad y escalabilidad para manejar grandes volúmenes en poco tiempo, al tiempo que recoge limitaciones cuando el sistema no logra abstraer ideas subyacentes y tiende a clasificaciones demasiado específicas, lo que puede dejar afirmaciones aisladas sin un encaje claro en categorías amplias.
Fuente: Irene Larraz, Ramón Salaverría y Javier Serrano-Puche, “Unveiling Disinformation Narratives with AI…: ”, International Journal of Communication, 19 (2025), pp. 3647–3666.
