Large language models debunk fake and sensational wildlife news
- 1. Mediterranean Institute for Advanced Studies
- 2. University of Cape Town
- 3. Water Research Institute
- 4. National Research Council
- 5. Istituto Universitario di Studi Superiori di Pavia
- 6. National University of Comahue
- 7. Consejo Nacional de Investigaciones Científicas y Técnicas
Description
Abstract In the current era of rapid online information growth, distinguishing facts from sensationalized or fake content is a major challenge. Here, we explore the potential of large language models as a tool to fact‐check fake news and sensationalized content about animals. We queried the most popular large language models (ChatGPT 3.5 and 4, and Microsoft Bing), asking them to quantify the likelihood of 14 wildlife groups, often portrayed as dangerous or sensationalized, killing humans or livestock. We then compared these scores with the "real" risk obtained from relevant literature and/or expert opinion. We found a positive relationship between the likelihood risk score obtained from large language models and the "real" risk. This indicates the promising potential of large language models in fact‐checking information about commonly misrepresented and widely feared animals, including jellyfish, wasps, spiders, vultures, and various large carnivores. Our analysis underscores the crucial role of large language models in dispelling wildlife myths, helping to mitigate human–wildlife conflicts, shaping a more just and harmonious coexistence, and ultimately aiding biological conservation.
Translated Descriptions
Translated Description (Arabic)
في العصر الحالي من النمو السريع للمعلومات عبر الإنترنت، يمثل التمييز بين الحقائق والمحتوى المثير أو المزيف تحديًا كبيرًا. هنا، نستكشف إمكانات نماذج اللغة الكبيرة كأداة للتحقق من الأخبار المزيفة والمحتوى المثير حول الحيوانات. استفسرنا عن النماذج اللغوية الكبيرة الأكثر شعبية (ChatGPT 3.5 و 4 و Microsoft Bing)، وطلبنا منهم تحديد احتمال وجود 14 مجموعة من الحياة البرية، والتي غالبًا ما يتم تصويرها على أنها خطيرة أو مثيرة، مما يؤدي إلى قتل البشر أو الماشية. ثم قارنا هذه الدرجات بالمخاطر "الحقيقية" التي تم الحصول عليها من الأدبيات ذات الصلة و/أو رأي الخبراء. وجدنا علاقة إيجابية بين درجة المخاطر المحتملة التي تم الحصول عليها من نماذج اللغة الكبيرة والمخاطر "الحقيقية". يشير هذا إلى الإمكانات الواعدة لنماذج اللغة الكبيرة في الواقع-التحقق من المعلومات حول الحيوانات الشائعة التحريف والمخيفة على نطاق واسع، بما في ذلك قنديل البحر والدبابير والعناكب والنسور والعديد من الحيوانات آكلة اللحوم الكبيرة. يؤكد تحليلنا على الدور الحاسم لنماذج اللغة الكبيرة في تبديد أساطير الحياة البرية، والمساعدة في التخفيف من حدة النزاعات بين الإنسان والحياة البرية، وتشكيل تعايش أكثر عدلاً وتناغمًا، والمساعدة في نهاية المطاف في الحفاظ على البيئة.Translated Description (French)
Résumé Dans l'ère actuelle de croissance rapide de l'information en ligne, distinguer les faits des contenus sensationnalisés ou faux est un défi majeur. Ici, nous explorons le potentiel des grands modèles linguistiques en tant qu'outil pour vérifier les fausses nouvelles et le contenu sensationnaliste sur les animaux. Nous avons interrogé les grands modèles linguistiques les plus populaires (ChatGPT 3.5 et 4, et Microsoft Bing), en leur demandant de quantifier la probabilité que 14 groupes fauniques, souvent décrits comme dangereux ou sensationnalistes, tuent des humains ou du bétail. Nous avons ensuite comparé ces scores avec le risque « réel » obtenu à partir de la littérature pertinente et/ou de l'opinion d'experts. Nous avons trouvé une relation positive entre le score de risque de probabilité obtenu à partir de grands modèles linguistiques et le risque « réel ». Cela indique le potentiel prometteur des grands modèles linguistiques dans la vérification des informations sur les animaux couramment mal représentés et largement redoutés, y compris les méduses, les guêpes, les araignées, les vautours et divers grands carnivores. Notre analyse souligne le rôle crucial des grands modèles linguistiques pour dissiper les mythes sur la faune, aider à atténuer les conflits homme-faune, façonner une coexistence plus juste et harmonieuse et, en fin de compte, aider à la conservation biologique.Translated Description (Spanish)
Resumen En la era actual de rápido crecimiento de la información en línea, distinguir los hechos del contenido sensacionalista o falso es un gran desafío. Aquí, exploramos el potencial de los grandes modelos de lenguaje como una herramienta para verificar los hechosde las noticias falsas y el contenido sensacionalista sobre los animales. Consultamos los modelos de lenguaje grande más populares (ChatGPT 3.5 y 4, y Microsoft Bing), pidiéndoles que cuantificaran la probabilidad de que 14 grupos de vida silvestre, a menudo retratados como peligrosos o sensacionalistas, mataran humanos o ganado. Luego comparamos estas puntuaciones con el riesgo "real" obtenido de la literatura relevante y/o la opinión de expertos. Encontramos una relación positiva entre la puntuación de riesgo de probabilidad obtenida de modelos de lenguaje grandes y el riesgo "real". Esto indica el potencial prometedor de los grandes modelos de lenguaje para verificar la información sobre animales comúnmente tergiversados y ampliamente temidos, como medusas, avispas, arañas, buitres y varios carnívoros grandes. Nuestro análisis subraya el papel crucial de los grandes modelos lingüísticos para disipar los mitos de la vida silvestre, ayudar a mitigar los conflictos entre humanos y vida silvestre, dar forma a una coexistencia más justa y armoniosa y, en última instancia, ayudar a conservar la biología.Files
inc3.55.pdf
Files
(15.9 kB)
Name | Size | Download all |
---|---|---|
md5:5292089029b2084711af59a4e1220922
|
15.9 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نماذج لغوية كبيرة تكشف زيف أخبار الحياة البرية المزيفة والمثيرة
- Translated title (French)
- Les grands modèles linguistiques démystifient les fausses nouvelles sensationnelles sur la faune
- Translated title (Spanish)
- Los grandes modelos lingüísticos desmienten las noticias falsas y sensacionales sobre la vida silvestre
Identifiers
- Other
- https://openalex.org/W4399616593
- DOI
- 10.1002/inc3.55
References
- https://openalex.org/W1951724000
- https://openalex.org/W2030272399
- https://openalex.org/W2131786097
- https://openalex.org/W2252413487
- https://openalex.org/W2285770698
- https://openalex.org/W2462751018
- https://openalex.org/W2570099893
- https://openalex.org/W2582743722
- https://openalex.org/W2791544114
- https://openalex.org/W2892375314
- https://openalex.org/W2896295631
- https://openalex.org/W2963550876
- https://openalex.org/W3013164842
- https://openalex.org/W3153999239
- https://openalex.org/W3157962893
- https://openalex.org/W4206236567
- https://openalex.org/W4230186188
- https://openalex.org/W4254194310
- https://openalex.org/W4292634010
- https://openalex.org/W4294204093
- https://openalex.org/W4317940540
- https://openalex.org/W4383877799
- https://openalex.org/W4387106996
- https://openalex.org/W4389285846
- https://openalex.org/W4399741127