FactNinja jest narzędziem do analizy treści wizualnych, takich jak plakaty, memy, zrzuty ekranu komunikacji w mediach społecznościowych, zdjęcia z tekstem, materiały propagandowe, kampanie reklamowe polityczne czy inne rodzaje cyfrowych wizualizacji. Po przesłaniu obrazu system uruchamia zestaw specjalistycznych analiz, które wzajemnie się uzupełniają i razem dostarczają kompleksowy wgląd w badany materiał.
Każda analiza skupia się na innym aspekcie materiału graficznego. System na przykład identyfikuje tekst zawarty w obrazie, ocenia, jakie emocje, postawy czy opinie materiał stara się wywołać u odbiorców, rozpoznaje weryfikowalne twierdzenia odpowiednie do fact-checkingu, ocenia prawdopodobieństwo wykorzystania generatywnej sztucznej inteligencji przy tworzeniu treści, ocenia wiarygodność i potencjalnie wprowadzający w błąd charakter przekazu oraz wykrywa ewentualne techniki manipulacyjne czy perswazyjne. Częścią analizy jest także ujawnianie dostępnych metadanych, na przykład poprzez analizę EXIF, oraz ocenianie możliwej manipulacji obrazem, na przykład na podstawie zmian w kompresji plików JPG.
Ta wielowarstwowość jest zamierzona. Prosty werdykt typu „prawda” lub „fałsz” mógłby być mylący: propaganda często operuje prawdziwymi wypowiedziami osadzonymi w manipulacyjnym kontekście, podczas gdy nawet uczciwa komunikacja może zawierać nieprecyzyjne czy niezręczne sformułowania. Zamiast jednoznacznego wniosku oferujemy rozkład treści na poszczególne warstwy, które użytkownik może samodzielnie złożyć w własny osąd.
Ten tekst wyjaśnia, jak działają nasze narzędzia wewnątrz: z jakich zasad naukowych się wywodzą, w czym tkwią ich mocne strony i gdzie leżą ich ograniczenia.
Co się dzieje, gdy przesyłasz obraz do analizy
W momencie, gdy klikniesz Analizuj, system uruchamia w tle kaskadę niezależnych zadań. Każde zajmuje się jednym aspektem obrazu i działa niezależnie — awaria jednej warstwy zasadniczo nie wpływa na pozostałe. Jeśli na przykład technicznie zawiedzie rozpoznanie tekstu na bardzo stylizowanym memie, główna analiza i analiza emocjonalna będą kontynuowane. Cała kaskada zazwyczaj trwa od kilku sekund do kilku minut — zależy to od złożoności obrazu i obciążenia usług AI. Podczas oczekiwania widzisz wskaźniki na żywo pokazujące, co się dzieje.
Asystenci i perspektywy analizy
Kiedy wybierasz asystenta podczas zlecania analizy, nie wybierasz głównie między różnymi dużymi modelami językowymi (LLM), ale między różnymi rolami analitycznymi i perspektywami. Każdy asystent jest zdefiniowany przez odmienny zestaw instrukcji, które określają jego priorytety, sposób interpretacji treści i aspekty, na które się koncentruje podczas analizy. Model stanowi „silnik” analizy, podczas gdy asystent określa, w jaki sposób ten silnik zostanie wykorzystany przy ocenie obrazu.
Domyślny asystent FactNinja oferuje zrównoważony pogląd i przechodzi przez kluczowe aspekty analizy. Inni asystenci mają własne specjalizacje i skupienia, które są opisane bezpośrednio w aplikacji podczas ich wyboru.
Ten sam obraz analizowany przez różnych asystentów może prowadzić do różnych akcentów — i to jest zamierzone, a nie błąd. Jeden materiał wizualny można uzasadnionie interpretować z wielu perspektyw, a jego efekt może się znacznie różnić w zależności od odbiorców, kontekstu kulturowego lub osobistych postaw odbiorcy.
Na przykład czarny humor może w jednej grupie wywołać rozbawienie, radość lub poczucie przynależności, podczas gdy w innej grupie może wywołać gniew, odrazę czy oburzenie, zwłaszcza jeśli sympatyzuje z osobą lub grupą, którą obraz karykaturuje. Obie reakcje mogą być uzasadnione i świadczą o tym, jak różnorodnie ludzie postrzegają tę samą treść. Taka różnorodność interpretacji jest naturalną częścią ludzkiej komunikacji i sama w sobie nie stanowi błędu w analizie.
Panel Visual Insights podsumowuje dotychczasowe spojrzenia na analizowany materiał, ale jego główną funkcją jest wyjaśnienie, jakie emocje, postawy i reakcje może treść starać się wywołać u odbiorców. Nie chodzi więc tylko o podsumowanie poprzednich analiz, ale o samodzielną warstwę interpretacyjną, która pomaga zrozumieć psychologiczny i komunikacyjny efekt wizualizacji.
Ta część opiera się na kilku modelach naukowych pracy z emocjami i oddziaływaniem medialnym, które szczegółowo wyjaśnimy dalej w tekście. Dzięki temu można spojrzeć na ten sam materiał nie tylko z punktu widzenia faktograficznej poprawności, ale także z punktu widzenia tego, jak oddziałuje na różne grupy odbiorców.
Jak FactNinja analizuje materiały graficzne
FactNinja podczas analizy treści wizualnych wykorzystuje kilka typów narzędzi sztucznej inteligencji. Podstawą są multimodalne modele językowe zdolne do pracy z obrazem i tekstem, obecnie zwłaszcza modele GPT-5 i GPT-5-nano od OpenAI. Te modele potrafią czytać tekst w obrazie, opisywać elementy wizualne, rozpoznawać relacje między nimi i interpretować treść w języku naturalnym.
Jeśli na przykład system analizuje plakat z Leninem, nie chodzi mu tylko o rozpoznanie znanej twarzy. Model śledzi także styl grafiki, typografię, kolorystykę, kompozycję, elementy retoryczne i konteksty historyczne. Może więc identyfikować odniesienia do sowieckiego konstruktywizmu, języka propagandowego czy wzorców wizualnych typowych dla określonych materiałów politycznych czy ideologicznych.
Częścią analizy są także specjalistyczne narzędzia, na przykład Google Vision AI i narzędzia Google Fact Check. Pomagają one uzupełnić interpretację językową o informacje techniczne i kontekstowe: mogą na przykład rozpoznawać obiekty i tekst w obrazie, wyszukiwać występowanie podobnego lub tego samego obrazu w internecie, ustalać, kiedy i gdzie obraz się pojawił, i sprawdzać, czy nie został już wcześniej oceniony jako nieprawdziwy, wprowadzający w błąd lub związany z fake news.
Ważne jest jednak podkreślenie, że AI „nie widzi” obrazu tak jak człowiek. Nie ma własnego doświadczenia, intuicji ani wrażliwości kulturowej w ludzkim sensie. Pracuje z wyuczonymi wzorcami i zależnościami, które stworzyła podczas trenowania na rozległych zbiorach danych tekstowych i obrazowych. Dzięki temu potrafi rozpoznawać powtarzające się wzorce wizualne, językowe i znaczeniowe, ale nie jest nieomylna.
Czasami system może przypisać obrazowi znaczenie, którego w rzeczywistości nie ma. Innym razem może przeoczyć drobny szczegół, kulturową aluzję, ironię lub lokalny kontekst, który ludzki obserwator wychwyci natychmiast. Dlatego należy rozumieć wynik analizy jako kwalifikowaną interpretację, a nie jako ostateczny werdykt.
⚠ Kluczowa zasada: FactNinja jest analitycznym pomocnikiem, nie sędzią. Jego wyniki mają służyć jako punkt wyjścia do własnego krytycznego myślenia. Właśnie dlatego łączymy wiele perspektyw analitycznych, modele naukowe i przejrzystą metodologię: aby użytkownik miał wystarczająco dużo podstaw do stworzenia własnego poinformowanego osądu.
Oprócz głównej analizy tekstowej FactNinja zwraca także strukturalny wynik kluczowych elementów analizowanego materiału. Jest to ważne, ponieważ umożliwia dalszą pracę z wynikami: wyświetlanie ich w wizualizacjach, na przykład w wykresach, mapach lub diagramach przeglądowych, filtrowanie ich według kategorii i wykorzystywanie do dalszego przetwarzania analitycznego.
Strukturalne dane obejmują kilka kluczowych warstw analizy. Kluczowe tematy to lista elementów, które system rozpoznał w obrazie — od konkretnych obiektów i osób przez style wizualne po abstrakcyjne koncepcje, ramy ideologiczne lub motywy komunikacyjne.
Weryfikowalne twierdzenia to konkretne wypowiedzi, które można niezależnie zweryfikować za pomocą dostępnych źródeł. Każde twierdzenie może być oznaczone statusem, na przykład jako prawdziwe, częściowo prawdziwe, nieprawdziwe, wprowadzające w błąd lub nieweryfikowalne. Ta warstwa pomaga oddzielić faktograficzny poziom przekazu od jego emocjonalnego czy retorycznego oddziaływania.
Wykryte błędy logiczne oznaczają błędy argumentacyjne lub problematyczne sposoby przekonywania, które mogą pojawiać się w materiale. Są one powiązane z naszym słownikiem błędów logicznych, aby można było łatwo wyjaśnić, porównać i umieścić poszczególne techniki w szerszym kontekście umiejętności medialnych.
Częścią strukturalnego wyniku jest także laickie podsumowanie — krótkie i zrozumiałe wyjaśnienie przeznaczone dla osoby, która nie zna szerszego kontekstu analizowanego materiału. Jego celem jest szybkie przybliżenie, o co chodzi w obrazie, jakie przesłanie prawdopodobnie przekazuje i dlaczego może być istotne.
Visual Insights: mapowanie oddziaływania emocjonalnego
Visual Insights jest jedną z głównych funkcji FactNinja. Zasługuje na osobne wyjaśnienie, ponieważ nie opiera się tylko na swobodnej interpretacji obrazu, ale wywodzi się z modeli naukowych stosowanych w psychologii emocji i analizie mediów. Te modele pomagają opisać, jakie emocje, postawy i reakcje może wizualny materiał starać się wywołać u odbiorców.
Do funkcji Visual Insights można dotrzeć z każdej analizy za pomocą przycisku Visual Insights, który otwiera osobną stronę z profilem emocjonalnym analizowanego materiału.
🎯 Kluczowa zasada: Visual Insights nie mówi, co osobiście czujesz. Opisuje, jaki efekt emocjonalny materiał prawdopodobnie stara się wywołać. Ten sam plakat może w jednym widzu wzbudzić dumę, podczas gdy w innym odrazę lub gniew. Analiza nie koncentruje się więc na indywidualnej reakcji konkretnego człowieka, ale na prawdopodobnym zamiarze komunikacyjnym i konstrukcji emocjonalnej materiału.
Koło emocji Plutchika
Jednym z modeli, na których opiera się Visual Insights, jest koło emocji Plutchika. Amerykański psycholog Robert Plutchik przedstawił w 1980 roku psychoewolucyjną teorię emocji, według której emocje nie są tylko konstrukcjami kulturowymi, ale głęboko zakorzenionymi reakcjami, które wyewoluowały jako część ludzkiego przetrwania.
Strach na przykład ostrzega nas przed niebezpieczeństwem, gniew mobilizuje energię do obrony lub oporu, radość wspiera więzi społeczne, a zaufanie umożliwia współpracę. Plutchik wyróżnił osiem podstawowych emocji, z których według jego modelu składają się bardziej złożone stany emocjonalne podobnie jak kolory składają się z kilku podstawowych odcieni.
Te emocje uszeregował w kole: emocje, które sąsiadują ze sobą, mają do siebie znaczeniowo blisko, podczas gdy emocje umieszczone naprzeciw siebie tworzą przeciwieństwa. Ten model umożliwia lepsze opisanie, czy materiał pracuje na przykład ze strachem, gniewem, odrazą, zaufaniem, radością lub ich kombinacjami.
W aplikacji przy każdej z ośmiu emocji podajemy intensywność w skali od 0 do 100, w zależności od tego, jak silnie materiał wywołuje tę emocję. W wykresie koła Plutchika jest to przedstawiane jako „rozkwitnięty kwiat” — im dłuższy płatek określonego koloru, tym silniejszy apel emocjonalny danego typu. Heroizowany portret przywódcy z flagą typowo wykazuje wysokie wartości radości, zaufania i oczekiwania. Plakat ostrzegający przed wrogiem z kolei silny strach, odrazę i gniew (jak na ilustracji powyżej).
Diady — złożone emocje
Teoria Plutchika pracuje także z kombinacjami podstawowych emocji. Jeśli dwie sąsiadujące emocje w jego modelu połączą się, powstają tak zwane diady — złożone stany emocjonalne z własnym znaczeniem.
Na przykład radość połączona z zaufaniem tworzy miłość, strach połączony z zaskoczeniem może prowadzić do zachwytu, smutek z odrazą tworzy żal, a gniew w połączeniu z oczekiwaniem może wiązać się z agresywnością.
Sekcja Diady w Visual Insights pokazuje, które z tych kombinacji emocjonalnych są w analizowanym materiale najsilniejsze. Właśnie te złożone emocje często lepiej oddają zamiar komunikacyjny niż same podstawowe emocje. Materiał bowiem zazwyczaj nie operuje tylko jedną izolowaną emocją, ale ich kombinacją: na przykład strachem i oczekiwaniem, gniewem i odrazą lub radością i zaufaniem.
Model Russella — walencja i aktywacja
Drugim naukowym punktem wyjścia Visual Insights jest model emocji Russella, opublikowany również w 1980 roku. Amerykański psycholog James A. Russell zaproponował, że emocje można opisać za pomocą dwóch podstawowych wymiarów: walencji i aktywacji.
Walencja wyraża, czy emocjonalne przeżycie jest raczej przyjemne, czy nieprzyjemne. Na przykład radość, zaufanie lub nadzieja mają pozytywną walencję, podczas gdy strach, gniew lub odraza mają walencję negatywną.
Aktywacja oznacza stopień wewnętrznego pobudzenia lub mobilizacji. Niektóre emocje są spokojniejsze i bardziej stonowane, na przykład smutek lub zaufanie. Inne są wysoce aktywujące — na przykład gniew, strach, panika lub entuzjazm. Ten wymiar jest szczególnie ważny w przypadku materiałów propagandowych i politycznych, które często nie dążą tylko do przekazania informacji, ale do mobilizacji odbiorców do określonej postawy lub działania.
Model Russella pomaga więc rozróżnić nie tylko to, czy materiał działa pozytywnie czy negatywnie, ale także to, czy widza raczej uspokaja, czy aktywizuje. Właśnie kombinacja walencji i aktywacji pozwala lepiej zrozumieć strategię emocjonalną analizowanego wizualu.
Na przykład wojenny plakat często celuje w obszar nieprzyjemnych i jednocześnie aktywizujących emocji, czyli w przestrzeń lęku, złości lub mobilizacji. Plakat z heroizowanym przywódcą może z kolei zmierzać w kierunku pozytywnej aktywacji, na przykład do entuzjazmu, dumy lub radości. Materiał przedstawiający zniszczony kraj i głodujące dzieci prawdopodobnie przesunie się w kierunku lęku, smutku, gniewu lub bezsilności.
Koło Plutchika i dwuwymiarowa mapa Russella wzajemnie się uzupełniają. Pierwszy model pomaga nazwać konkretne podstawowe i złożone emocje, drugi pokazuje ich ogólną orientację według przyjemności czy nieprzyjemności i stopnia aktywacji. Razem dostarczają dokładniejszy obraz strategii emocjonalnej analizowanego wizualu.
Poziom manipulacji
Oprócz analizy emocjonalnej Visual Insights ocenia także ogólny poziom manipulacji. Jest to syntetyczna ocena, która łączy kilka warstw analizy: intensywność wywoływanych emocji, liczbę i typ użytych technik retorycznych czy manipulacyjnych oraz ogólną siłę oddziaływania przekonywującego materiału.
Czterostopniowy wskaźnik manipulacji pokazuje ogólny poziom oddziaływania manipulacyjnego. Strzałka wskazuje, gdzie znajduje się aktualna analiza. Wysoka wartość nie oznacza automatycznie, że materiał kłamie; pokazuje przede wszystkim siłę aparatu przekonywującego.
Poziom manipulacji nie mierzy więc prawdziwości treści. Mierzy intensywność środków, którymi materiał stara się wpłynąć na interpretację, emocje lub reakcję odbiorców.
OCR — jak pozyskujemy tekst z obrazów?
Wiele materiałów wizualnych zawiera istotną część przekazu bezpośrednio w tekście. Dlatego jednym z pierwszych kroków analizy jest jego automatyczne rozpoznanie za pomocą technologii OCR (Optical Character Recognition).
FactNinja wykorzystuje do rozpoznawania tekstu multimodalne modele zdolne do pracy z obrazem i językiem jednocześnie. Te systemy radzą sobie nie tylko ze standardowym drukowanym pismem, ale także ze stylizowaną typografią, elementami rękopisowymi, fotografowanym tekstem wykonanym pod kątem lub tekstem uchwyconym w niskiej jakości, na przykład na zrzutach ekranu z telefonu.
Wierna ekstrakcja
Podstawową zasadą naszego OCR jest wierność oryginalnemu źródłu. Tekst przepisujemy dokładnie tak, jak znajduje się w obrazie — bez poprawiania literówek, bez uzupełniania brakujących słów i bez poprawek językowych.
Jeśli na plakacie użyto przestarzałej ortografii, nietypowej interpunkcji lub nawet błędu drukarskiego, zostanie to zachowane także w wyniku OCR. To podejście jest zamierzone. OCR postrzegamy przede wszystkim jako sposób dokumentacji źródła, a nie jako redakcyjny przepis.
Tego rodzaju szczegóły mogą być ważne na przykład przy datowaniu materiałów, określaniu ich pochodzenia lub przy weryfikacji autentyczności. Dla historyków, dziennikarzy, badaczy i fact-checkerów pozornie drobne odchylenia językowe mogą stanowić cenne wskazówki.
Automatyczne tłumaczenie
Jeśli rozpoznany tekst jest w innym języku niż ten, którego używasz w interfejsie aplikacji, FactNinja może wyświetlić zarówno oryginalne brzmienie, jak i jego tłumaczenie.
Oryginalny tekst zawsze pozostawiamy do dyspozycji, ponieważ stanowi on pierwotne źródło informacji i zachowuje wartość kryminalistyczną materiału. Tłumaczenie służy jako pomocne narzędzie do zrozumienia treści i ułatwia pracę użytkownikom, którzy nie znają danego języka.
Dzięki połączeniu OCR, detekcji języka i automatycznego tłumaczenia można analizować także materiały pochodzące z różnych środowisk językowych i kulturowych, bez konieczności korzystania z zewnętrznych narzędzi tłumaczeniowych.
Detekcja AI — czy obraz został stworzony przez sztuczną inteligencję?
Wraz z rosnącą dostępnością generatywnej sztucznej inteligencji ważne jest rozróżnienie, czy analizowany obraz prawdopodobnie przedstawia rzeczywistą scenę, czy też mógł zostać stworzony sztucznie. W kontekście propagandy, dezinformacji i komunikacji politycznej jest to kluczowa informacja: fotografia rzeczywistego wydarzenia ma inną wartość dowodową niż obraz wygenerowany przez sztuczną inteligencję, nawet jeśli na pierwszy rzut oka wydają się podobne.
Do wykrywania treści generowanych przez AI wykorzystujemy zewnętrzną usługę Sightengine, która zwraca prawdopodobieństwo, że obraz został stworzony lub zmodyfikowany za pomocą generatywnej sztucznej inteligencji. Wynik jest podawany w procentach i służy jako wskaźnik orientacyjny, a nie jako ostateczny dowód.
System podczas oceny śledzi typowe cechy modeli generatywnych, na przykład nietypowe artefakty obrazowe, nieregularności w strukturze obiektów, problematyczne szczegóły twarzy, rąk, tekstu lub tła oraz inne wzorce wizualne, które pojawiają się częściej w obrazach syntetycznie tworzonych niż w zwykłych fotografiach.
Ważne jest podkreślenie, że detekcja AI nie jest nieomylna. Wysokiej jakości generowane obrazy mogą wyglądać bardzo autentycznie, podczas gdy rzeczywiste fotografie mogą z powodu kompresji, filtrów, edycji lub niskiej jakości zawierać cechy podobne do artefaktów AI. Dlatego wynik detekcji AI zawsze traktujemy jako jeden z kontekstowych sygnałów, który należy czytać razem z innymi warstwami analizy.
Ważne jest wiedzieć, czego detekcja AI nie potrafi. Foto-realistyczne generacje najnowszych modeli czasem prześlizgują się z niskim prawdopodobieństwem. Zmienione rzeczywiste fotografie (Photoshop, deepfake'i oparte na rzeczywistych ujęciach) detekcja może nie wykryć. I ogólnie rzecz biorąc, 70% prawdopodobieństwa AI nie oznacza „na pewno AI” — oznacza to „sygnał AI jest silny, ale potrzebny jest ludzki osąd”. Wynik jest narzędziem do skupienia uwagi, a nie automatycznym werdyktem.
Wielojęzyczność — analiza dostępna w różnych językach
FactNinja obsługuje sześć języków: czeski, angielski, słowacki, polski, niemiecki i hiszpański. Teksty analiz i komentarze są automatycznie tłumaczone między tymi językami w tle. Jeśli autor stworzy analizę na przykład w języku czeskim, system automatycznie udostępni ją także w pozostałych obsługiwanych językach.
Użytkownicy mogą więc czytać treści w języku odpowiadającym ich ustawieniom lub preferencjom. Czeska analiza rosyjskiego plakatu propagandowego może w ten sposób stać się zrozumiała także dla angielskiego, słowackiego, polskiego, niemieckiego lub hiszpańskiego odbiorcy, bez konieczności ręcznego tworzenia wielu wersji językowych przez autora.
Ograniczenia narzędzia — czego FactNinja nie robi
Aby móc poprawnie pracować z wynikami, ważne jest jasno powiedzieć, czego od FactNinja nie można oczekiwać. Niekrytyczna wiara w narzędzia AI może prowadzić do błędnych wniosków. Właściwie ustawione oczekiwania czynią z nich natomiast użytecznych pomocników analitycznych.
Nie oceniamy „prawdy” jako całości
FactNinja nie kończy analizy prostym werdyktem typu „prawda” lub „fałsz”. Materiał wizualny może zawierać prawdziwe twierdzenia osadzone w manipulacyjnym kontekście, nieprawdziwe twierdzenia podane neutralnym tonem lub symboliczne przekazy, w których pytanie o prawdziwość nie ma prostego sensu.
Visual Insights opisują emocjonalne i przekonywujące oddziaływanie materiału. Augmented data pomagają zidentyfikować konkretne weryfikowalne twierdzenia. Całkowity osąd pozostaje jednak w gestii użytkownika.
Nie wychwytujemy wszystkiego
Systemy AI mogą popełniać błędy. Czasem przypisują materiałowi znaczenie, którego w nim nie ma, innym razem przeoczają ważny szczegół, kulturową aluzję lub lokalny kontekst. Dlatego zawsze potrzebny jest własny osąd, porównanie z innymi źródłami i w ważnych przypadkach także konsultacja z ekspertami.
FactNinja pomaga przyspieszyć, uporządkować i usystematyzować analizę. Nie zastępuje jednak ludzkiego krytycznego myślenia.
Nie jesteśmy zamiennikiem dla pracy dziennikarskiej ani eksperckiej
Analiza propagandowego lub podejrzanego wizualu w FactNinja nie kończy się. Odwrócone wyszukiwanie obrazów może pomóc ustalić, skąd pochodzi materiał. Bazy danych archiwalnych mogą pokazać, kiedy obraz pojawił się po raz pierwszy. Konsultacje z historykami, ekspertami regionalnymi lub fact-checkerami mogą uzupełnić kontekst, który AI sama może nie znać.
FactNinja jest punktem wyjścia. Dalsza praca pozostaje ludzka.
Podstawy naukowe
FactNinja opiera się na kilku sprawdzonych teoriach z zakresu psychologii emocji, studiów medialnych, retoryki i analizy propagandy.
Emocje i propaganda
Podstawą analizy emocjonalnej jest między innymi praca Roberta Plutchika, który w 1980 roku sformułował psychoewolucyjną teorię emocji i model ośmiu podstawowych emocji. Ważnym punktem wyjścia jest także model circumplex emocji Russella, który opisuje emocje za pomocą dwóch wymiarów: walencji i aktywacji. Na szerszą debatę o uniwersalnych emocjach nawiązuje także praca Paula Ekmana o podstawowych emocjach w różnych kulturach.
Techniki retoryczne i manipulacyjne
Przy opisie mechanizmów przekonywania nawiązujemy do klasycznych prac z zakresu psychologii przekonywania i argumentacji. Robert B. Cialdini opisał zasady wpływu społecznego, takie jak autorytet, wzajemność, dowód społeczny czy rzadkość. Steven A. McCornack sformułował teorię manipulacji informacyjnej, która pokazuje, że manipulować można nie tylko kłamstwem, ale także pominięciem, niejasnością lub przesunięciem znaczenia. Douglas Walton systematycznie opracował obszar logiki nieformalnej i błędów argumentacyjnych.
Propaganda wizualna i media
Do analizy propagandy nawiązujemy także do klasycznych i współczesnych prac studiów medialnych. Jacques Ellul należy do kluczowych autorów nowoczesnej teorii propagandy. Współczesne ramy oferuje na przykład praca Jowetta i O’Donnell, którzy opisują propagandę jako systematyczną próbę wpływania na postawy, percepcję i zachowanie odbiorców.
Jak czytać analizę krytycznie — trzy zasady
1. Visual Insights opisują zamiar, nie prawdę
Wysoki poziom strachu, gniewu lub lęku może oznaczać, że materiał operuje alarmującym apelem. Taki apel może być jednak uzasadniony, na przykład jako ostrzeżenie przed rzeczywistym zagrożeniem, lub nadużyty, jeśli tworzy sztuczną panikę. Visual Insights pokazują strategię emocjonalną materiału; właściwą interpretację określa dopiero szerszy kontekst.
2. Manipulacja to nie to samo co kłamstwo
Wysoki poziom manipulacji oznacza, że materiał silnie kształtuje interpretację, emocje lub reakcję odbiorców. Nie musi to jednak automatycznie oznaczać, że zawiera nieprawdę. Dobrze przygotowana kampania społeczna może być wyraźnie przekonywująca, a mimo to faktycznie poprawna. Z kolei spokojnie sformułowany tekst może zawierać nieprawdziwe twierdzenie.
Manipulację rozumiemy więc jako miarę oddziaływania przekonywującego, a nie jako automatyczne oznaczenie czegoś złego.
3. Więcej perspektyw prowadzi do lepszego osądu
Jeden materiał wizualny można analizować z wielu perspektyw. Analizy asystenckie, Visual Insights, OCR, tłumaczenia, augmented data, detekcja treści AI czy odwrócone wyszukiwanie obrazów tworzą poszczególne warstwy jednej szerszej układanki.
Żadna z tych warstw nie jest ostatecznym słowem. Celem FactNinja jest dostarczenie narzędzi, przejrzyste opisanie metodologii i zaoferowanie naukowo uzasadnionych podstaw. Ostateczna interpretacja pozostaje w gestii użytkownika.
— Zespół FactNinja