තර්ජනවලට ලක්වන මාධ්‍යවේදීන්ට ඇතැම් විට අනපේක්ෂිත ලෙස හදිසියේ  තම නිවෙස්වලින් පලා යාමට සිදුවනු ඇත. කෙසේ වෙතත් ඔවුන් මුහුණ දෙන  ගැටුම් බොහෝ විට කලින් පුරෝකථනයක්  කළ හැකි අතර අවදානම් සහගත  කලාපවල සිටින අයට පිටවීමේ සැලැස්මක් මෙන්ම එවැනි අවස්ථාවක හදිසියේ යාමට අවශ්‍ය  තීරණාත්මක ලියකියවිලි  සූදානම් ව තිබිම වැදගත්ය. මෙම ලේඛන වාර්තාකරුවන්ට අවශ්‍ය විටදී සංචාරය කිරීමට උපකාර කරනවා පමණක් නොව, ඔවුන්ට ආරක්ෂිත කලාපයකට හෝ රටකට යාමටද උපකාරී වේ. පහතින් දැක්වෙන්නේ අප සකසා ගත යුතු ලිපි ලේඛන මෙන්ම මාධ්‍යවේදීන්ට නැවත ස්ථානගත කිරීම සඳහා සහාය දක්වන සංවිධාන ලැයිස්තුවකි..

සූදානම් විය යුතු ලියකියවිලි

1. පහත ලැයිස්තුගත කර ඇති ලේඛනවල මුල් පිටපත හෝ සහතික කළ පිටපත්  තබා ගන්න.
2. * ඡායාරූප ගෙන ඔබ විශ්වාස කරන සංකේතාත්මක ක්ලවුඩ් සේවාවක (උදාහරණයක් ලෙස Dropbox, Sync.com) හෝ ඔබට ඔබගේ ස්මාර්ට් ජංගම දුරකථනය නැති වුවහොත් දෙවන උපාංගයකට සියල්ල සුරකින්න. ඔබට ඒවා ඔබගේ පවුලේ අයට හෝ විදේශගතව සිටින මිතුරන්ට යැවිය හැකිය.
3. විදේශ ගමන් බලපත්‍රය, ජාතික හැඳුනුම්පත, රියදුරු බලපත්‍රය.
4. ලේඛනවල කල් ඉකුත් වීමේ දිනයන් දෙස බලන්න. ඒවා මාස කිහිපයකින් කල් ඉකුත් වීමට ආසන්න නම්, හැකි නම් වහාම ඒවා අලුත් කරන්න.
5. ඔබට හඳුනා ගැනීමේ ලියකියවිලි කිහිපයක් තිබේ නම්, ඒවායින් එකක් ඔබට අහිමි වුවහොත් ඒවා වෙනම ස්ථානවල තබා ගන්න.
6. උප්පැන්න සහතිකය (හෝ උපන් දිනය සහ ස්ථානය සනාථ කරන ඕනෑම නිල ලේඛනයක්).
7. වෙනත්: විවාහ සහතිකය, විශ්ව විද්‍යාල උපාධි (ඩිප්ලෝමාව, උපාධිය සහ පැමිණීම පිළිබඳ සාක්ෂි, ශ්‍රේණි), මුද්‍රණ කාඩ්පත, වෘත්තීය සහතික, එන්නත් සහතිකය, වෙනත් වෛද්‍ය ලේඛන.

පහත තොරතුරු එක් ලේඛනයක, ඉංග්‍රීසි භාෂාවෙන්, ක්ලවුඩ් සේවාවක සහ ඔබගේ ස්මාර්ට් ජංගම දුරකතනයේ සුරැකිව තබා ගන්න.  ඔබට එය යැවීමට අවශ්‍ය ඕනෑම අයෙකුට පිටපත් කිරීමට සූදානම්ව සිටින්න:

• සම්පූර්ණ නෛතික නම, ස්ථානය සහ උපන් දිනය.

විදේශ ගමන් බලපත්‍ර අංකය, නිකුත් කළ අංකය සහ කල් ඉකුත්වන දිනය.

• දැනට පදිංචි  ස්ථානය –  අන්තර්ජාල මාර්ගයෙන් හුවමාරු කර ගන්නා පණිවිඩවල මෙය බෙදා ගැනීම ගැන කල්පනාකාරී වෙන්න.
• ඊ මේල්  ලිපිනය.
• දුරකථන අංකය සහ, වෙනස් නම්, “වට්ස්ඇප්“ සහ “සිග්නල්“ඇමතුම් අංක.
• දේශීය හා විදේශීය සංවිධාන සමඟ රැකියා ස්ථානය / රැකියා සාක්ෂි.
• ඔබට විදේශයක විශ්වාසවන්ත මිතුරෙකු හෝ සම්බන්ධතාවක් ඇත්නම්, මෙම ලේඛනවලින් සමහරක් ඩිජිටල් පිටපත් සහ සුරක්ෂිතව තබා ගැනීම සඳහා ඔවුන්ට යැවීමට සලකා බලන්න.

පෞද්ගලික ලේඛන

ඡායාරූප සහ ඔබ වැදගත් යැයි සලකන සහ මතක තබා ගැනීමට අවශ්‍ය වෙනත් ඕනෑම දෙයක ඩිජිටල් පිටපත් සාදන්න.

ඔබ විශ්වාස කරන ක්ලවුඩ්  (Cloud) සේවාවකට සියල්ල සුරකින්න.

ආරක්ෂිත පියවර

*ඔබට පහසු, තාවකාලික මගක් අවශ්‍ය නම්, ආරක්ෂිත විදේශ රටක සංචාරක වීසා බලපත්‍රයක් සඳහා අයදුම් කරන්න.

* ඔබ සමඟ අතීත සම්බන්ධතා ඇති  ජාත්‍යන්තර සංවිධාන තිබේනම් (ප්‍රවෘත්ති ආයතන, ඔබ නිදහස් කළ අන්තර්ජාල සඟරා, ඔබ උපදේශන ලද හෝ වැඩ කර ඇති රාජ්‍ය නොවන සංවිධාන) සම්බන්ධ කර ගන්න.

* ඔබේ වෘත්තීය කාර්යය පිළිබඳ වාර්තාවක් හෝ තහවුරු කිරීමේ ලිපියක් ළඟ තබා ගන්න  (උදාහරණයක්: ඔබෙ වෘත්තීය කටයුතු සහ රැකියාවේ හෝ නිදහස් සේවයේ දිනයන් සහතික කරන ප්‍රධාන කර්තෘ හෝ මානව සම්පත් නියෝජිතයෙකු විසින්  අත්සන් කළ  ලේඛනයක්).

*ඔබ යම් රටක සරණාගත තත්ත්වය සඳහා ඉල්ලුම් කිරීමට  බලාපොරොත්තු වන්නේ නම් එම රටේ ජාකික මට්ටම  සමඟ ඔවුන්ට යම් සබඳතාවක් පවතීද යන්න පිළිබඳව විමසා ඔබ වෙනුවෙන් ඔවුන්ට යම් සහතිකයක් එම රජයට ලබා දිය හැකිද යන්න පිළිබඳව විමසා බලන්න.

* තත්ත්වය ක්‍රමයෙන් දිග හැරෙන විට ඔබේ නඩුවලට විමර්ශණලට සහය වන ඉංග්‍රිසි භාෂාවෙන් සකස් කරන ලද ඉලෙක්ට්‍රොනික ලිපි ලේඛන වාර්තා ඉල්ලා සිටින්න. එමෙන්ම  අදාළ කටයුතු වෙනුවෙන් සම්බන්ධතාවක් පවත්වාගත යුතු පුද්ගලයන් පිළිබඳව අසා දැන ගන්න.

*ඔබ සාමාජිකයෙකු වන ජාත්‍යන්තර වෘත්තීය සංවිධාන අමතා ඉංග්‍රීසි භාෂාවෙන් සහාය ලිපියක් සහ සාමාජිකත්වය හෝ සම්බන්ධය පිළිබඳ සාක්ෂි ඉල්ලා සිටින්න.

* ඔබට සමීපතම පවුලේ සාමාජිකයෙකු (දෙමව්පියන්, ආච්චිලා සීයලා, සහෝදර සහෝදරියන්, සහකරු හෝ සහකාරිය, දරුවා) සිටින අයගෙන් පටන් ගෙන වෙනත් රටවල සරණාගතභාවය සහ සරණාගත තත්ත්වය සඳහා මාර්ග සොයා බලන්න.

* ඔබ මෙම කටයුත්ත ආරම්භ කළ යුත්තේ කොතැනින්දැයි ඔබට විශ්වාස නැත්නම්, ඔබට සරණාගත භාවය ලබා ගැනීමට අවශ්‍ය රටවල තානාපති කාර්යාල අමතා ක්‍රියා පටිපාටි පිළිබඳව ඔවුන්ගෙන් විමසීමට හැකිය.

* ඔබට වෙනත් රටක සරණාගතයෙකු වීමට නීතිමය රාමුව අවබෝධ කර ගැනීමට ඔබට සරණාගත ආධාර සංවිධාන සම්බන්ධ කර ගත හැක.

ඩිජිටල් සහ භෞතික ආරක්ෂණ පියවර

විමර්ශණාත්මක මාධ්‍යකරණය පිළිබඳව ගෝලීය ජාලයේ  ඩිජිටල් ආරක්ෂණ ඉඟි පත්‍රිකාව අත්‍යවශ්‍ය කරුණු ආවරණය කරන අතර මේ සම්බන්ධයෙන් ඔබට සහාය විය හැකි සංවිධාන වෙත ඔබව යොමු කරයි.

• GIJN Digital Safety tipsheet (ජනමාධ්‍ය ආරක්ෂණ තක්සේරු මෙවලම) ගන්න.
• GIJN හි  GIJN Journalism Security Assessment Tool. (මාධ්‍යකරණය සඳහා ආරක්ෂාව ඇගයීමේ මෙවලම ) පරිශීපනය කරන්න.
•  Encrypted Apps and Programs for Journalists.  මාධ්‍යවේදීන් සඳහා පවතින ආරක්ෂිත මෘදුකාංග මෙවලම් පරිගණක සංකේතාත්මක යෙදුම් සහ මාධ්‍යවේදීන් සඳහා වැඩසටහන්.
• මාධ්‍යවේදීන් ආරක්‍ෂා කිරීමේ කමිටුව (CPJ) භෞතික සහ ඩිජිටල් ආරක්‍ෂාව මෙන්ම නීතිමය සහය ලබා ගැනීම පිළිබඳ පුළුල් උපදෙස් ලබා දෙයි (comprehensive advice) බලන්න .

සම්බන්ධ විය යුතු සංවිධාන

පහත දැක්වෙන්නේ තම වෘත්තීය කාර්යය හේතුවෙන් අනතුරට පත්වන මාධ්‍යවේදීන්ට හදිසි ආධාර සපයන සංවිධාන ලැයිස්තුවකි.

Committee to Protect Journalists (CPJ)  ඉදිරිපෙළ  මාධ්‍යවේදීන්ට සහය ලබා දෙන අතර, තුවාල වූ, සිරගත කරන ලද හෝ ඔවුන්ගේ වැඩ හේතුවෙන් පලා යාමට බල කෙරෙන මාධ්‍යවේදීන්ට ඉක්මන් ප්‍රතිචාර දැක්වීමේ සහාය ලබා දෙයි. ඔවුන් සම්බන්ධ කර ගැනීමට ඇති වේගවත්ම ක්‍රමය නම් විද්‍යුත් තැපෑලෙන් (Emergencies@cpj.org).

Canadian Journalists for Free Expression (CJFE) නිදහස් ප්‍රකාශනය සඳහා කැනේඩියානු මාධ්‍යවේදීන් (CJFE) පහත  කොන්දේසි යටතේ මූල්‍ය ආධාර ලබා දෙයි.

“අයදුම්කරු මාධ්‍යවේදියෙකු විය යුතුය, IFEX සාමාජිකයෙකු හෝ හදිසි ආධාර සපයන සංවිධානයක් විසින් තහවුරු කළ හැකි පුද්ගලයකු විය යුතුය.

ලබා දෙන මුදල සාමාන්‍යයෙන් කැනේඩියානු ඩොලර් $500 සිට $1,500 CAD (US$400-$1,200) දක්වා පරාසයක පවතී.

CJFE වෙතින් උපරිම වශයෙන් වෙනම ප්‍රදාන දෙකක් සඳහා මාධ්‍යවේදීන් සුදුසුකම් ලබයි.

CJFE ඉංග්‍රීසියෙන් අයදුම්පත් පමණක් භාර ගනී.

CJFE මූල්‍ය ආධාරයට මාධ්‍යවේදීන් රඳවා සිටින විට නීතිමය ගාස්තු, වෛද්‍ය වියදම්, ආරක්ෂාව සඳහා ප්‍රවාහන වියදම් සහ ආරක්ෂිත රටක නැවත පදිංචි කිරීමේ වියදම් ඇතුළත් විය හැකිය.

Free Press Unlimited (FPU) වැඩ කිරීමට නොහැකි මාධ්‍යවේදීන්ට සහය වීම හෝ අනාරක්ෂිත හෝ අවදානම් තත්ත්වයකින් තාවකාලිකව පලා යාමට වියදම් කිරීම. ඔබට මෙහි අයදුම් කළ හැකිය. FPU හි වෙබ් අඩවියට අනුව, අවශ්‍යතා වන්නේ:

“ඔබ මාධ්‍ය සංවිධානයක් හෝ මාධ්‍ය වෘත්තිකයෙක්;

ඔබේ හදිසි තත්ත්වය මාධ්‍ය වෘත්තිකයකු ලෙස ඔබ කරන කාර්යයේ ඍජු ප්‍රතිඵලයකි;

මෙම ආධාරය ව්‍යුහාත්මක නොවන නමුත් අහඹු (එක්-වරක්) පදනමක් මත සපයනු ලබන බව ඔබ හඳුනා ගනී;

අපගේ සහයෝගයේ අරමුණ හැකි ඉක්මනින් ඔබේ වැඩ කටයුතු නැවත ආරම්භ කිරීම බව ඔබ දන්නවා.

ඔබේ තත්ත්වය අවම වශයෙන් ඔබට බාහිර වූ  විශ්වාසදායක මූලාශ්‍ර දෙකක් මගින් තහවුරු කළ හැකිය.

Freedom House  ෆ්‍රීඩම් හවුස් හදිසි ආධාර වැඩසටහනක් ක්‍රියාත්මක කරයි. අයදුම්පතක් ඉදිරිපත් කිරීම ගැන විමසීමට, විද්‍යුත් තැපෑලෙන් ඔවුන් අමතන්න (info@csolifeline.org).

International Federation of Journalists (IFJ ජාත්‍යන්තර මාධ්‍යවේදීන්ගේ සම්මේලනය (IFJ) ඔබට මෙහි අයදුම් කළ හැකි ආරක්ෂිත අරමුදලක් පිරිනමයි.

International Media Support (IMS) ජාත්‍යන්තර මාධ්‍ය සහාය (IMS)  මාධ්‍යෙව්දීන්ට සතියේ දින හතේම විසි හතර පැය පුරා ක්ෂණික දුරකථන, ආරක්ෂිත නිවාස, ආරක්‍ෂක අරමුදල, ආරක්‍ෂිත උපකරණ, නීති ආධාර, හදිසි ආධාර,” සහ තවත් දේ ඇතුළත් ආරක්ෂිත පැකේජයක් පිරිනමයි.

International Women’s Media Foundation (IWMF) ජාත්‍යන්තර කාන්තා මාධ්‍ය පදනමට (IWMF) මනෝවිද්‍යාත්මක සහ වෛද්‍ය ප්‍රතිකාර, මාස තුනක් සඳහා තාවකාලික නැවත ස්ථානගත කිරීමේ ආධාර සහ නීති ආධාර සඳහා සහාය වන හදිසි අරමුදලක් ඇත. ඔබට මෙහි අරමුදල් සඳහා ඉල්ලුම් කළ හැකිය. ඔබ මෙම නිර්ණායක සපුරාලිය යුතුය.

Journalisten helfen Journalisten (මාධ්‍යවේදීන්ට මාධ්‍යවේදීන්ට උපකාර කිරීම). මෙම ජර්මානු සංවිධානය සමඟ නැවත පදිංචිය සඳහා අයදුම් කිරීමට, විද්‍යුත් තැපෑලෙන් (jhjgermany@t-online.de) ඔවුන්ට ලියන්න.

Reporters Without Borders (RSF) දේශසීමා රහිත වාර්තාකරුවන් (RSF) අවදානම් සහිත මාධ්‍යවේදීන්ගෙන් ආධාර සඳහා ඉල්ලීම් help2@rsf.org වෙත යැවීමට හෝ +33 1 4483 8466 අමතන්න.

• පිටුවහල් කරන ලද මාධ්‍යවේදීන් සඳහා වන RSF මාර්ගෝපදේශය (guide for exiled journalists)  UNHCR, සමහර EU රටවල්, එක්සත් ජනපදය සහ කැනඩාව සමඟ සරණාගතභාවය සහ සරණාගත ක්‍රියා පටිපාටිය ආවරණය කරයි.
• යාවත්කාලීන වීම සඳහා සඳහා RSF හි රුසියානු Twitter ගිණුම අනුගමනය කරන්න.
• RSF හි ජර්මානු ශාඛාවේ වාර්තාකරු Ohne Grenzen නැවත ස්ථානගත කිරීම සඳහා අයදුම් කිරීමට සහාය ලබා දෙයි. kontakt@reporter-ohne-grenzen.de හි ඔවුන් අමතන්න

ජාත්‍යන්තර ශිෂ්‍යත්ව

කාලය ඉඩ දෙන්නේ නම්, ආතතීන් සමනය වන තෙක් තම රට හැර යාමට අවශ්‍ය මාධ්‍යවේදීන්ට ද මෙම ජාත්‍යන්තර සාමාජිකත්වයන්ගෙන් (international fellowships,) එකක් සඳහා ඉල්ලුම් කළ හැකිය, එය බොහෝ විට වීසා ක්‍රියා පටිපාටියට උපකාරී වන අතර දීමනාවක් සහ නිවාස ලබා දෙයි.

මූලාශ්‍රය

This story was originally published by the Global Investigative Journalism Network (GIJN)

தவறான தகவல் மற்றும் நிகழ்ச்சி நிரலின் அடிப்படையில் வேண்டுமென்றே பரப்பப்படும் பிழையான தகவல்களின் பிரச்சாரங்கள் தொடர்பில் ஆராயும்  புலனாய்வு ஊடகவியலாளர்களுக்கு, அவற்றிற்கு பின்னால் யார் இருக்கிறார்கள் என்பதைக் கண்டறிவது முக்கியமாகும். ஆனால் அது மட்டும் போதாது என்று 12வது உலகளாவிய புலனாய்வு இதழியல் மாநாட்டில்12th Global Investigative Journalism Conference (#GIJC21))  இணையவழி புலனாய்வு நிபுணரான  கிரேக் சில்வர்மேன் (Craig Silverman) எச்சரித்தார்.  லாப நோக்கமற்ற செய்தி அறையான ProPublica இன் ஓர் நிருபரான சில்வர்மேன், இவ்வாறான பிரச்சாரங்களின் பின்னணியில் சம்பந்தப்பட்டவர்களின் நோக்கங்களை  புரிந்துகொள்வதும் அதற்கு சமமாக முக்கியமானதொன்று என்று கூறுகிறார்.

இந்த பிரச்சாரங்களில் உள்ள மிகவும் பொதுவான விடயமாக ஓர்  தவறான சூழ்நிலையை  உள்ளடக்கி  இருப்பதாக சில்வர்மேன் விளக்குகின்றார். அதாவது ஒரு உண்மைக்கூற்று அல்லது துல்லியமான மேற்கோள் ஒன்று அதன் உண்மையான பொருள் அல்லது அமைப்பிலிருந்து அகற்றப்பட்டு, தவறாக வழிநடத்துவதற்கு மீண்டும் பயன்படுத்தப்படுகிறது. “எனவே, தவறான தகவல் மற்றும் பிழையான தகவல்கள் தொடர்பில் ஆராயும்போது அல்லது கண்காணிப்பது பற்றி நீங்கள் சிந்திக்கும்போது, ​​அவற்றின்  சூழ்நிலை பற்றியும்  நீங்கள் மனதில் கொள்ள வேண்டும்,” என்று அவர் கூறினார். “ஏனென்றால், நீங்கள் 100% தவறான விஷயங்களை மட்டுமே தேடுகிறீர்கள் என்றால் அல்லது செய்தி என்று கூறப்படும்  ஒன்றை மட்டுமே நீங்கள் தேடுகிறீர்கள் என்றால்,  அவை தொடர்பில் இணையவெளியில் இருக்கும் பெரும்பாலானவற்றை நீங்கள் இழக்க நேரிடும்.”

இணையவழி கட்டுக்கதைகள் மற்றும் போலிச் செய்திகளை புலனாய்வு செய்வதில்  நிபுணத்துவம் பெற்ற ஹார்வாட் பல்கலைக்கழகத்தின்  ஷோரென்ஸ்டீன் மீடியா, அரசியல் மற்றும் பொதுக் கொள்கை (Shorenstein Center on Media, Politics and Public Policy)  நிலையத்தின் மூத்த ஆய்வாளரும்  சக பத்திரிக்கையாளருமான  ஜேன் லிட்வினென்கோ (Jane Lytvynenko), GIJC21- Exposing the Roots of Disinformation  என்னும் தலைப்பில் நடைபெற்ற பயிற்சி பட்டறையில்  சில்வர்மேனுடன் இணைந்து கொண்டார். தவறான தகவல் மற்றும் பிழையான தகவல்கள் எப்போதும் தந்திரமாக வழங்கப்படுகிறது என லிட்வினென்கோ குறிப்பிடுகிறார். “பிரச்சாரங்கள் பல கட்டங்களாக இடம்பெறுகின்றன. அவை திட்டமிடப்பட்டு பின்னர் சமூக ஊடகங்களூடாக பரவுகின்றன, அங்குதான் ஊடகவியலாளர்களின் பதில்களை நாங்கள் சந்திக்க நேரிடும்,” என்று அவர் கூறினார். “நிச்சயமாக, பல பிரச்சாரங்களை  நாங்கள் பிழையானது என்று நிறுவுவதால் மட்டும் அவை மறைந்துவிடாது. மாறாக,  அவை நிலைமைக்கு ஏற்ப தம்மை மாற்றிக்கொள்கின்றன,”

இந்த பிரச்சாரங்களின் மூலக் காரணிகளை கண்டறிவதற்கு இரு ஊடகவியலாளர்களும்  பல குறிப்புகள் மற்றும் கருவிகளை வழங்கினர்.

தவறான தகவல்களை முறியடிப்பதற்கான உதவிக்குறிப்புகள்:

வீடியோக்கள் மற்றும் புகைப்படங்கள்

வீடியோக்கள் மற்றும் புகைப்படங்களின்  உண்மைத்தனமையை  சரிபார்க்க முயற்சிக்கும்போது, ஊடகவியலாளர்கள் தங்களைத் தாங்களே இவ்வாறு  கேட்டுக் கொள்ள வேண்டும்: இது உண்மையான அசல் படம் அல்லது வீடியோவா? குறிப்பிட்ட காணொளி அல்லது புகைப்படத்தை யார் ஒளிப்பதிவு செய்தார்கள்?, எப்போது? இறுதியாக, குறித்த படம் அல்லது வீடியோ எங்கு எடுக்கப்பட்டது – இது பூகோள ரீதியிலான இருப்பிடத்தைக் கண்டறிய உதவும்.

லிட்வினென்கோ மற்றும் சில்வர்மேன் ஆகியோர் Chrome இணைய உலாவியுடன் பயன்படுத்தக்கூடிய சரிபார்ப்பு செருகுநிரலான WeVerify  கருவியை பரிந்துரைத்தனர். இணைய உலாவியில் நிறுவப்பட்டதும், செருகுநிரலானது பயனர்களுக்கு TinEye, Bing மற்றும் Yandex உள்ளிட்ட பல்வேறு தேடுபொறிகள் மூலம் புகைப்படத்தை இயக்குவதற்கான வசதியினை  வழங்குகிறது, மேலும் பயனர் படத்தின் குறிப்பிட்ட ஒரு பகுதியை மட்டும் முன்னிலைப்படுத்தி தேடவும் அனுமதிக்கிறது. Yandex ஆனது முக அமைப்பை  அடையாளம் காணும்  திறன்களையும் கொண்டுள்ளது – இருப்பினும் அந்த தொழில்நுட்பமானது கூடுதல் சரிபார்ப்புக்களை கோருகிறது. “படத் தேடலின் முக்கிய விஷயங்களில் ஒன்று Google ஐத் தாண்டிச் செல்வதாகும், இதற்கு  WeVerify தேடல் நீட்டிப்பு உங்களை அனுமதிக்கிறது” என்று லிட்வினென்கோ கூறினார்.

சமூக ஊடக கணக்குகள்

தவறான தகவல்களை பிழையென நிறுவ முற்படும் போது அதனை  தொடங்குவதற்கு உள்ள ஒரு நல்ல இடம், அவ்வாறான தகவல்களை பகிரும் சமூக ஊடக கணக்குகளை புலனாய்வு செய்வதே. 

முதலில், இது உண்மையான ஓர் கணக்குதானா என்பதைச் சரிபார்க்கவும்: இது உண்மையில் உரிமை கோரும் நபருக்குச் சொந்தமானதா? கணக்கு எப்போது உருவாக்கப்பட்டது? அவர்கள் தமது வசிப்பிடம் எங்கே என்று சொல்கிறார்கள்?

மேலும் ஒரு விரிவான பின்னணி சரிபார்ப்பு செய்யுங்கள்: அவர்களின் வலையமைப்பில்  அவர்களைப் பற்றி என்ன சொல்கிறது? அவர்கள் யாருடன் நண்பர்களாக உள்ளனர்? அவர்கள் வழக்கமாக யாருடன் பேசுகிறார்கள், பதிவுகளை பகிர்ந்து கொள்கிறார்கள் அல்லது லைக் (like) குறியினை இடுகிறார்கள்? அவற்றின் வடிவங்கள் என்ன? அவர்கள் தொடர்ந்து பதிவுகளை இடுகிறார்களா? என்ன விடயங்கள் பற்றி பதிவிடுகிறார்கள்?

“சில சமயங்களில் அவர்கள் தம்மை யார் எனக் கூறுகிறார்களோ அதற்கும் கணக்கில் நீங்கள் காணும் உள்ளடக்கத்திற்கும் இடையே சில தொடர்பற்ற தன்மை அல்லது முரண்பாடுகள் உள்ளன” என்று சில்வர்மேன் குறிப்பிட்டார். “இவ்வாறான விடயங்களே  நீங்கள் முக்கியமாக  கவனிக்க வேண்டியவையாகும்.”

Twitonomy  என்பது ஊடகவியலாளர்கள் தாங்கள் ஆய்வு செய்யும் ட்விட்டர் கணக்கின் விரிவான மற்றும் காட்சிப்படுத்தப்பட்ட பகுப்பாய்வுகளைப் பெற பயன்படுத்தக்கூடிய ஒரு கருவியாகும். “அவர்கள் எவ்வளவு நேர இடைவெளிகளில் ட்வீட் செய்கிறார்கள், எப்போது ட்வீட் செய்கிறார்கள், எந்தெந்த கணக்குகளுக்கு அவர்கள் பதிலளிக்கிறார்கள், யாரை retweet செய்கிறார்கள் என்பதை இது உங்களுக்குக் கூறுகிறது” என்று சில்வர்மேன் மேலும் கூறினார். “அவர்கள் எப்போது ட்வீட் செய்கிறார்கள் என்பது தொடர்பில் விளக்கமான அறிக்கையையும் இது உங்களுக்கு அளிக்கும், அவர்கள் எந்த நேர வலயத்தில்  இருக்கிறார்கள் என்பதைக் கண்டறிய இது உங்களுக்கு உதவும்.”

அரட்டை செயலிகள்

சில அரட்டை செயலிகள் பொதுவாக தவறான தகவல்களைப் பரப்பப் பயன்படுத்தப்பட்டாலும், அவற்றை புலனாய்வு  செய்வதற்கு வரம்புகள்  உள்ளன. “இது ஒருவர் வேண்டுமென்றே தகவல்களை பொதுவெளியில் வெளியிடும் ஒரு பொதுவான  ட்விட்டர் தளத்தில் உள்ள  சுயவிவரம் அல்லது பேஸ்புக் சுயவிவரத்திலிருந்து மிகவும் வித்தியாசமானது,” என்று லிட்வினென்கோ விளக்கினார். “அரட்டை செயலிகள் தனிநபர் இரகசியம் பற்றிய எதிர்பார்ப்பைக் கொண்டுள்ளன, அதைப் பற்றி நீங்கள் அறிக்கையிடும்போது  மிகவும் கவனமாக இருக்க வேண்டும்.”

அவ்வாறான வரையறைகளை கடந்து வருவதற்கான ஒரு வழி, பார்வையாளர்களிடமிருந்து அந்தத் தகவலை crowdsourcing (பொதுமக்களிடமிருந்து தகவல்களை பெற்று உறுதிப்படுத்தல்)   மூலம் பெறுவதாகும், என்று அவர் கூறினார்.  பிரேசிலின் Comprova Project  திட்டத்தில் இந்நடைமுறை வெற்றிகரமாகப் பயன்படுத்தப்பட்டது. அத்திட்டத்தில் கீழ் 2018 தேர்தல்களில் செல்வாக்கு செலுத்த பரப்பப்பட்ட  வதந்திகள் மற்றும் புனையப்பட்ட கதைகளை  அடையாளம் காண்பதற்காக 24 வெவ்வேறு ஊடக நிறுவனங்கள் ஒன்றிணைந்து செயல்பட்டன.

“அனைத்து செய்தி அறைகளும் தங்கள் வாசகர்களுக்கும் பார்வையாளர்களுக்கும் ஒரே வாட்ஸ்அப் (WhatsApp ) எண்ணை அனுப்பியது, அவர்கள் தாம் எதிர்கொள்ளும் எந்தப் போலி தகவலையும் சரி பார்ப்பதற்காக அல்லது மறுப்பதற்காக செய்தி அறைகளுக்கு அனுப்பினார்கள்,” என்று அவர் கூறினார். “எனவே உதவிக்குறிப்புகளை கோருவதன் பலத்தை குறைவாக மதிப்பிடாதீர்கள்,”

  வாட்ஸ்அப் போன்ற அரட்டை செயலிகளில் கிரவுட் சோர்சிங் முறை நன்றாக வேலை செய்கிறது, ஏனெனில் பகிரங்கப்படுத்தபடாத குழுக்களில் சேர்வது கடினம் என்பதால் அவற்றினை ஆராய்வது  சவாலாக உள்ளது.

குறியீடு மூலமான  (encrypted) செய்திச் செயலியான டெலிகிராமில் (Telegram )உள்ள உள்ளடக்கத்தை விசாரிப்பதற்கான மிகவும் பயனுள்ள கருவிகளில் ஒன்று சேனல் தேடல் மற்றும் பகுப்பாய்வுக் கருவியான  Tgstat ஆகும். இதன் மூலம், ஒரு ஊடகவியலாளர்  குறிப்பிட்ட சேனலில் ஈடுபடுபவர்களைப் பற்றிய ஆழ்ந்த அறிவைப் பெற முடியும். “எனவே, நீங்கள் ஒரு பயனர்பெயரை … Tgstat இல் உள்ளீடு செய்தால் , நீங்கள் 90 நாட்கள் வரை பகுப்பாய்வுகளைப் பெறலாம், மேலும் சேனலுக்கு அதிக சந்தாதாரர்கள் வந்துள்ளனரா அல்லது அவர்களின் உள்ளடக்கம் மிகவும் பிரபலமானதாக மாறிய ஏதாவது  ஒரு நாள் இருந்ததா என்பதை நீங்கள் பார்க்கலாம். ” என்று லிட்வினென்கோ கூறினார்.

இந்தக் கருவிகள் மற்றும் கவனமாக அறிக்கையிடல் இருந்தாலும் கூட, கூடுதல் கவனமாக இருக்குமாறும், இறுதி முடிவுக்கு வருவதற்கு முன் உறுதியான ஆதாரங்களை சேகரிக்குமாறும் இரு வளவாளர்களும் வலியுறுத்தினர்.

“இந்த வேலையைச் செய்பவர்கள் உண்மையில் தவறாகப் போகும் வழிகளில் ஒன்று, அவர்கள் ஒரு குறிப்பிட்ட மேற்கோளை  உருவாக்குவதுடன், மேலும் அவர்கள் ஆதாரம் இல்லாமல் குற்றச்சாட்டுகளை முன்வைப்பதே,” என்று சில்வர்மேன் எச்சரித்தார். “எனவே எச்சரிக்கையாக இருங்கள். உங்கள் ஆதாரங்களைச் சேகரிக்கவும் – நீங்கள் அது தொடர்பில் அதிக நம்பிக்கையைப் பெறும் வரை அவற்றினை ஒவ்வொன்றாக அடுக்கவும்.”

மூலம்

This story was originally published by the Global Investigative Journalism Network (GIJN)

This is the story of how our team of journalists and data enthusiasts — a collaboration that emerged from the 2021 JournalismAI Collab Challenges — went about using artificial intelligence to identify visual indicators within satellite imagery to chase a story. We thought our tool could be used to identify illegal airstrips built in a remote area, or the expansion of deforestation in a jungle, or whether a public road is indeed being built.

A visual indication of a specific change in the terrain, or spotting peculiar infrastructure from above, could turn into an investigative story. If you are doing an investigation and are trying to figure out if satellite images could be fundamental to verify findings — or to gather new evidence and you have no idea where to start — this guide is made for you.

Our team (with members from Bloomberg News, CLIP, DataCritica, and La Nación) was keen on exploring the usage of satellite imagery along with applied computational techniques for writing stories. We knew that satellite imagery possesses information that could potentially enhance our ability to write compelling narratives about the state of our planet, cutting across multiple beats. Such a tool tends to be complex and out of the reach for many journalists. So we wanted to create a replicable workflow that could be used for story ideas and projects.

One-page satellite data guide with high-level steps. Image: Courtesy of From Above team

Our common interest was to look at the climate crisis through this lens, so we started with the first, vital step of any story: ideas. We gathered research and pitched multiple story ideas within our group that could be extrapolated using imagery of forests, coastlines, and other geographic elements, and narrowed down on trying to detect illegal cattle ranching within the protected forests.

In Mexico: Data Crítica obtained information about the presence of cows in protected areas in the southeast of Mexico. These areas are of high relevance, as some of them represent the largest humid tropical forests in Mexico and Central America. This information is relevant to obtaining images with a high likelihood of bringing quality data for training an algorithm, and then detecting other similar areas by applying this algorithm to new areas, in some cases disregarded before this exercise.

In Colombia: CLIP, together with local partner 360, supported by the Pulitzer Center on Crisis Reporting, identified a high density of cows at the border of four national parks that are key transitional ecosystems to protect the Amazon jungle, through cow vaccination data. To better place the cows on the map, we also collaborated with the Fundación para la Conservación y el Desarrollo Sostenible (Fcds) with ample, on-the-ground knowledge of these forests, as sources for geographical shapes in these regions differ. The most updated data available was 2020. Identifying the cows in satellite images would allow us to evaluate the current situation and establish whether cattle and the deforestation that comes with it had continued to expand.

Getting, Storing, and Processing Satellite Imagery

Once we set our sites on chasing any indication of illegal cattle ranching within the protected forests of the Amazon, our next step was to acquire imagery that could support us. This would be the main ingredient to the computer vision algorithms that we wanted to try and train. Initially, we set out with an ambitious goal to target the four South American countries (Mexico, Colombia, Brazil, and Argentina) that our respective news organizations had covered, but soon we realized we had to narrow down our areas of interest, as this step was much more complicated than we had anticipated.

Access to satellite imagery is more widely available than ever, but getting higher-quality imagery — resolutions where object detection is possible — comes at a high cost. Despite trying to get in touch with the biggest providers — like Maxar, Planet, Sentinel, Google Earth — we found it hard to get a response to queries when you’re interested in a collaboration or a small project. But, soon enough, we found there are a growing number of programs that allow free access and/or downloads of satellite images to organizations and journalists in pursuit of specific goals, and pivoted to that as a source.

We used Planet’s NICFI program aimed at the conservation of biodiversity. These images have a resolution of 4.7 meters per pixel, higher than Landsat images, but with less bands associated.

Two criteria to keep in mind at this stage:

1. Cost and availability of imagery: Cost depends on quality, and quality depends on the type of detection you need for your story. For instance, detecting cows is a far more granular task than detecting the presence of patches in a large field in our case. Or, more generally, image-labeling.
2. Storage and processing of imagery: Good quality satellite imagery requires about 0.3 GB per 100 sq. kilometers. That translates to roughly  two terabytes of imagery to cover an area the size of Texas, up to 26 terabytes to cover an area the size of Brazil. Keeping the area limited will allow for realistic storage and processing capabilities. If we want to do any sort of change detection (comparing an area to how it looked a year ago, for example) that doubles the storage capacity needed.

Understanding Available AI Techniques

We drew conclusions by finding out who had tried to develop smart algorithms to detect changes, phenomena, or animals on the ground from satellite images. This meant:

– Talking to experienced people and documenting their techniques.

– Finding an appropriate AI/computer vision technique to process the images.

We also wanted to talk to those who had worked on projects that leveraged satellite imagery in combination with machine learning techniques.

Here are takeaways from our interviews and research:

• Many AI techniques are available to process images to decompose the information it contains and then create new associations to spot additional information.
  • For instance, we needed to train an object-identification algorithm to spot livestock from the imagery, but utilize time series analysis over multiple images to spot changes within the forest regions. This increased the computational challenges and helped us formulate a technical pipeline in the initial prototype stage.
• We found that Texty.org.ua, a data journalism agency in Ukraine, had done a similar project in Leprosy of the Land, which applied a machine model to detect amber mining on satellite images ,and how it was creating a lunar-like landscape on over 70,000 square kilometers. We interviewed Anatoly Bondarenko from Texty.
• We also spoke with Alfredo Kalaitzis of the Counting Cows project. (You can view the data from this project on GitHub.)
  • Since cows are not a fixed thing, any images with lower definition than 0.5 meters per pixel will only work if taken at nadir (the point directly below the observer). Even images taken at a 10 degree angle will affect the resolution. However, surroundings can work as a proxy for cattle — such as fencing, stables, farmland, water holes — if counting the cows is not the goal, but rather establishing presence or absence. This was key for us at From Above, as we finally went for the proxies in lieu of the actual counting of cows.
  • Their project got the high resolution images from their partner, Global Witness, which had bought them from Maxar with crowdsourced funds. You can pay to task a satellite to take pictures of a given area, but you can also just buy the licensing to some images someone else has already tasked. They were allowed to release the project with snapshots of original images. From this recommendation, our team looked for a partner who could have the images. La Nación got funding for only one high definition image of 0.3 meters per pixel. They declined it because it wasn’t enough to run an algorithm.
  • Their project cut images to 100 by 100 tiles to annotate. And it took them a few hours and more consistency to annotate collectively. We followed their example and annotated collectively and found it very useful for speed and consistency.
• The storing of images is not such a big problem in some cases, like ours. When you are looking at specific areas, you can run the process we created using a regular PC — with at least 16GB of RAM, the more RAM the better — and a standard 1 TB hard drive, as you are training and applying algorithms one tile (of dozens of kilometers long) at a time. Nevertheless, if you wanted to store and process several of these satellite tiles simultaneously, or otherwise upscale the process — for instance, to look into the area of whole countries — cloud computing services might become necessary.

“We believe that the main limiting factor to such applications is the access to high-resolution images, and not the development of counting algorithms. Also, the identification of a specific individual requires resolutions that are not yet available in commercial satellites” — Counting Cows project’s Alfredo Kalaitzis

Area of Interest in the Mexican humid tropical forests. Image: Courtesy of From Above team.

Pivoting and Focusing Our Efforts

Despite trying to get in touch with the biggest satellite imagery providers, we found it hard to get a response to queries for a collaboration or small project. But soon enough, we found there are a growing number of programs that allow free access and/or downloads of satellite images to organizations and journalists in pursuit of specific goals, and pivoted to that as a source.

If we could not have access to HD imagery up to 0.4 meters per pixel, we were not going to be able to detect cows.

“Let’s hope we can at least get it for one of the countries and see the whole process running. If not possible, we can change to another pitch of research with larger object detection so we can make use of freely available imagery.” — Flor Coelho, From Above team member

We had data sources in Argentina, Mexico, and Colombia, and had a good idea of the problems that arose from them: technical, cost of images, clouds, historical high-definition imaging, and others. We gave up on identifying individual cows. We discovered that other elements could reveal cows in a protected area, such as barns, fences, roads, straight lines on farm boundaries, and man-made waterholes.

We decided to develop the land-use approach we had talked about earlier in the collaboration. We would identify farming, using images of lower resolution than the ones needed for detecting cattle. We went over how RGB — red, green, blue — and infrared lenses help to analyze object detection. Satellites can use RGB lenses or infrared to identify different things better.

With this information, we concentrated on developing a tool that would allow us to detect livestock (cattle) in areas that are either protected or were previously covered by forests in Argentina, Brazil, Colombia, and Mexico.

We also decided to use Planet’s NICFI program.

Once you have Planet’s NICFI account, take note of the difference between Planet’s Basemaps Viewer and Planet’s Explorer online. The first one allows you to download “analytical” images, with the several layers referred to previously. Once in Planet’s Basemap (or any other satellite imagery source), you should distinguish clearly between the downloadable “visual” composites and the “analytical” composites. The second set are encoded with the several bands we have referred to before. Visually, Explorer and Basemaps look almost the same, but only the second one allows for images to be downloaded for processing and data extraction/modeling.

Annotation Criteria and Guidelines

We decided to collect labels for the image segmentation task at hand, and chose a tool (GroundWork) that suited our team’s working preferences while balancing the data and time constraints of the challenge. It was also important for us as a group to set and agree upon on the guidelines with which we annotated the images for our Area of Interest (AOI).

Images: Courtesy of From Above team

You can use the visual composite (the one with less layers) for annotating. What you are getting after the annotation process are the polygons or points you draw for each element you try to identify on the land (and their references in latitudes and longitudes). Later on, you’ll match that information to the reflectance information encoded in the satellite image.

You should choose an annotation tool based on the advantages and disadvantages it represents for your specific mission. There are great tools online for annotation, like OpenCV or Cvat, though we couldn’t test them thoroughly.

For instance, some tools allow for seamless online collaboration, but might prevent you from uploading images of higher resolution than those from Planet (4.7 meters per pixel). In that case, you can use an offline process, such as using programs like QGIS or R within your own computer system.

However, we wanted to annotate collectively to ensure consistency and speed, and working offline could make the collaboration a little more cumbersome.

We decided to use GroundWork, which is pretty easy to use to annotate collectively.

The journalism open-source experts, Bellingcat, teamed with us, and not only provided us with training to manage Planet’s tools, but also gave us some very high-resolution images in the area of the parks where we were spotting cows in Colombia. These were images taken by previous tasks run by Planet, to which Bellingcat had access through a paid account.

The From Above team chose to identify seven different landmark classifications when studying their areas of interest. Image: Courtesy of From Above team

We chose seven labels (water, forest, farmland, farmland with water hole, infrastructure, road, and unidentified) to use in our supervised algorithm.

Image: Courtesy of From Above team

This image was broken into smaller tiles that we annotated tile by tile. Colored tiles have been annotated, but the rest were still unmarked during the time of this screenshot.

For instance, Bellingcat provided us with some very high-resolution images that we couldn’t upload to GroundWork, due to a glitch in their application. That forced us to continually verify our annotation with some high-resolution map available online, such as Google Earth.

We spent around three hours annotating together, and another 15 hours annotating individually, once we had agreed on useful labels and established some consistency on what was forest, water, farmland, etc.  We annotated each tile of four images: two from Colombia’s parks, and two from Mexico’s reserved area.

Technical Pipeline — Step by Step

We had two essential pieces of data or information to work with:

• Original satellite image — data from layers of the raster image (in a tiff file format).
• Annotated image — data labeled in the annotation process (in GeoJSON file format).

In this array, you can see the analytic image downloaded into five layers: red, green, blue, near-infrared, and an additional “alpha” layer. Some programs, like this one, render these different colors in grayscale. Image: Courtesy of From Above team

The following steps helped us extract information invisible to the human eye, and learn associations between the layers and from the labels to build our initial prototype:

1. Extract information embedded in the layers (bands) of satellite imagery. Different arrangements of the layers render different information more prominently. In the first image, a “true color” composite visible to the eye; on the right, a combination of red and near-infrared which highlights vegetation (in red).Image: Courtesy of From Above team
2. Extract information from the labeled image.
   1. Create a dataset based on visual inspection and contextual knowledge on the area (a.k.a. annotating the image).
3. Ensure the annotated dataset and the satellite image are compatible in terms of extent, reference system projection, and resolution. In this case, we have annotated the same image so we had compatible files, but it’s possible that, for instance, the annotation tool adds or removes some information from the original image so this ensures you have the necessary elements.
   1. Extent — Latitude and longitude should be the same as the shape that belong to the two files.
   2. System projection — They should have the same coordinate reference system.
   3. Resolution — They should both have the same meters per pixel resolution.
4. Merge the satellite information and the annotation information together. In what is called a ‘supervised’ model training, you provide the classifications that you are making the model learn deliberately. In an ‘unsupervised’ method, you let the computer automatically detect the number of classifications you decide. This can be a lot faster than annotating, but you could lack critical context that is only available to the human eye.Image: Courtesy of From Above team
5. Ask the machine to learn the inherent associations between all the layers of information (train the algorithm). You can choose between different methods for association learnings. For instance, we chose the Random Forest algorithm, but you could also use the Supervised Vector Machines algorithm, or any other.
   1. The associations between the categories and inherent information are encoded in the pixels of each layer in the satellite image. For instance, the strength of associations between our classification work and each layer is plotted down below. There are some layers of information that are going to be better than others at predicting specific categories of your classification.The final result from the image segmentation algorithm. Image: Courtesy of From Above team
6. Test it with unseen satellite data. Hopefully you have now spotted some interesting visual information from the images and computational techniques to back up a story or spur more in-depth reporting

An in-detail version of these steps are developed in the From Above repository for complete reproducibility on GitHub here or here.

Resources:

This is a list of compiled resources that we benefited from and would recommend to others:

1. Data sources:
   1. Planet API
   2. Planet NICFI
   3. You can find online information at Maxar’s news bureau, Planet’s news section, and Skytruth also chronicles its projects. There is Descartes Lab. We also tried to reach out to the MAAP project for Amazon rainforest imagery, based on images from Sentinel, funded by the Norwegian government.
2. Stories and papers that inspired us:
   1. Spotting elephants with Worldview 3 from Maxar (Oxford). We looked at their Elephants Spotting Research Paper to look for possible synergies.
   2. WiDS datathon to detect oil palm plantations. (Stanford)
   3. Open source detection of garbage.
   4. Link to the Counting Cows academic paper research about image quality to count cows.

This article was originally published on Notion. It is republished here with permission from the authors. 

Additional Resources

Interpreting Data: Tips to Make Sure You Know How to Read the Numbers

How One Mexican Data Team Uncovered the Story of 4,000 Missing Women

How Bellingcat and Forensic Architecture Teamed Up with Colombia’s Cerosetenta to Map Police Violence

The From Above team of five data journalists (spread across North and South America) came together as part of a six-month Journalism AI collaboration organized by POLIS, a media think-tank at the London School of Economics in 2020. It focused on looking at the climate crisis through observation via satellite imagery and experimented with computer vision techniques. It published this guide and the corresponding open source prototype (on github) with the hope that it serves as a stepping stone for deeper reporting. The members of the team and links to their biographical information follows: 

• Maria Teresa Ronderos from CLIP (in Colombia)
• Flor Coelho from LaNacion (in Argentina)
• Gibran Mena from Data Critica (in Mexico)
• David Ingold & Shreya Vaidyanathan from Bloomberg News (in US)

පළවන වැරදි  තොරතුරු මෙන්ම  ඒවැනි වැරදි  තොරතුරු ප්‍රචාරය කරන ව්‍යාපාර පිළිබඳව ගැඹුරින් කරුණු සොයන විමර්ශණාත්මක මාධ්‍යවේදීන්ට මේ වැරදි ප්‍රචාර  පිටුපස සිටින්නේ කවුරුන්ද යන්න හඳුනා ගැනීම වැදගත් වේ. නමුත් එයම පමණක්  ප්‍රමාණවත් වන්නේ නැති බවට   12 වැනි ගෝලීය විමර්ශණාත්මක ජනමාධ්‍ය සමුළුවේදී (#GIJC21) ක්‍රේග් සිල්වර්මන් අනතුරු ඇඟවීය. ප්‍රෝපබ්ලිකා (ProPublica) නැමැති  ලාබ නොලබන ප්‍රවෘත්ති ආයතනයේ මාධ්‍යවේදියකු වන සිල්වර්මාන් පවසන්නේ ඊට සම්බන්ධ වූවන්ගේ යටි අරමුණු ද අවබෝධ කර ගැනීම ඒ හා සමානව වැදගත් බවය.

සිල්වර්මාන් පවසන්නේ මෙම වැරදි පතුරුවන  ව්‍යාපාරයන්හි වඩාත් පොදු අංගයක් වන්නේ  ව්‍යාජ සන්දර්භයක් ඇතුළත් කිරීමය.  එහිදී සත්‍ය ප්‍රකාශයක් හෝ නිවැරදි උපුටා දැක්වීමක් එහි මුල් අර්ථයෙන් ඉවත් කර නොමඟ යවන සුළු ආකාරයෙන් සකස් කිරීම සිදුවෙයි.  “එබැවින් ඔබ වැරදි තොරතුරු හා වැරදි තොරතුරු මූලාශ්‍ර  නිරීක්ෂණය කිරීම ගැන සිතන විට, ඔබ එම සන්දර්භය මනසේ තබා ගෙන කටයුතු කළ යුතුයි,” ඔහු පැවසීය. “ ඔබ සොයන්නේ 100% අසත්‍ය දේවල් පමණක් නම් හෝ ඔබ සොයන්නේ  ප්‍රවෘත්ති පමණක් නම්, ඔබට එහි ඇති බොහෝ දේ මග හැරෙනු ඇත.” සිල්වර්මාන් සඳහන් කරයි.

විසින් GIJC21 වැඩමුළුවකදී සිල්වර්මන් සම්බන්ධ වූ පුද්ගලයකු වූයේ මාර්ගගත මිථ්‍යාවන් සහ ව්‍යාජ ප්‍රවෘත්ති විමර්ශනය කිරීමේ විශේෂඥතාවක් ඇති හාවඩ් සරසවියේ මාධ්‍ය, දේශපාලන සහ මහජන ප්‍රතිපත්ති පිළිබඳ සෝරෙස්ටයින් මධ්‍යස්ථානයේ  ජ්‍යෙෂ්ඨ පර්යේෂකයෙකු වන මාධ්‍යවේදී ජෙන් ලිට්වෙයින්කෝය.  වැරදි තොරතුරු මෙන්ම  වැරදි ලෙස ඉදිරිපත් කරන  තොරතුරු, බොහෝ විට උපාය මාර්ගිකව ඉදිරිපත් වන බව ලිට්වෙයින්කෝ සඳහන් කළේය. “ප්‍රචාරක ව්‍යාපාරයන්ට ඒවා සැලසුම් කරන විවිධ අදියර ඇත. පසුව ඒවා සමාජ මාධ්‍යවල පැතිරී යන ස්ථාන, එහිදී අපට මාධ්‍යවේදීන්ගේ ප්‍රතිචාරවලට මුහුණ දීමට සිදුවනු ඇත.” ඇය පැවසුවාය. “ ඇත්ත වශයෙන්ම, අපි ඒවා ඉවත් කළ පමණින් මෙම වැරදි ප්‍රචාර පහව යන්නේ නෑ. ඒ වෙනුවට සිදුවන්නේ ඔවුන් අලුතින් හැඩ ගැසිමයි. ”

මාධ්‍යවේදීන් දෙදෙනා මෙම ව්‍යාපාරවල මූලයන් ලබා ගැනීම සඳහා උපදෙස් සහ මෙවලම් රාශියක් ඉදිරිපත් කළහ.

වැරදි තොරතුරු ඉවත් කිරීම සඳහා කළ හැකි දේ

වීඩියෝ සහ ඡායාරූප

වීඩියෝ සහ ඡායාරූප අන්තර්ගත කරුණු පරීක්ෂා කිරීමට උත්සාහ කරන විට, මාධ්‍යවේදීන් තමන්ගෙන්ම මෙසේ අසාගත යුතුය: එය මුල් රූපයක් හෝ වීඩියෝවක් ද? අන්තර්ගතය අල්ලා ගත්තේ කවුද, සහ කවදාද? අවසාන වශයෙන්, පින්තූරය හෝ වීඩියෝව ගනු ලැබුවේ කොතැනද – මෙය භූ-ස්ථානගත කිරීමට උපකාරී වේ.

මේ සඳහා ලිට්වෙයින්කෝ සහ සිල්වර්මාන්  විසින් නිර්දේශ කරනු ලබන  WeVerify, නම් ප්ලගින් මෙවලමට ඇතැම් කරුණුවල සත්‍ය අසත්‍යතාව නිශ්චය කළ හැකිය.එය ගූගල් ක්‍රෝම් සමඟ ක්‍රියා කරයි. මෙම මෙවලම  ස්ථාපනය කර ගැනීමෙන්  පසු, ප්ලගිනය පරිශීලකයින්ට TinEye, Bing සහ Yandex ඇතුළු විවිධ සෙවුම් යන්ත්‍ර හරහා ඡායාරූපයක් ධාවනය කර බැලිමේ විකල්පය ලබා දෙයි.  තවද පරිශීලකයාට රූපයේ නිශ්චිත කොටසක් ඉස්මතු කිරීමට සහ එය සෙවීමට පමණක් ඉඩ සලසයි. Yandex හට මුහුණු හඳුනා ගැනීමේ හැකියාවද ඇත – එම තාක්ෂණයට අමතර සත්‍යාපනයක් අවශ්‍ය වුවද. “පින්තූර සෙවීමේ එක් ප්‍රධාන දෙයක් නම් ගූගල්වලින් ඔබ්බට යාමයි, WeVerify සෙවුම් දිගුව ඔබට ඒය කිරීමට ඉඩ සලසයි,” Lytvynenko පැවසීය.

සමාජ මාධ්‍ය ගිණුම්

වැරදි තොරතුරු ඉවත් කිරීමේ කටයුත්ත ආරම්භ කිරීමට හොඳ තැනක් වන්නේ සමාජ මාධ්‍ය ගිණුම් විමර්ශණය කිරීමයි. පළමුව, එය  අදාළ සමාජ මාධ්‍ය සමාගම විසින් සත්‍ය බවට තහවුරු කරන ලද (Verified)  ගිණුමක් දැයි පරීක්‍ෂා කරන්න: එය ඇත්ත වශයෙන්ම අයිති ඊට  හිමිකම් කියන පුද්ගලයාටද? ගිණුම හැදුවේ කවදාද? ඔවුන් කොහෙ කියලද  කියන්නේ? ආදී තොරතුරු පිළිබඳ ව  සවිස්තරාත්මක පසුබිම් පරීක්ෂාවක් කරන්න: ඔවුන් හා සම්බන්ධිත ජාලය මෙම පුද්ගලයන් ගැන පවසන දේ, ඔවුන් මිතුරන් වන්නේ කා සමඟද යන්න මෙන්ම  ඔවුන් නිතරම කතා කරන්නේ, හුවමාරු කර  ගන්නේ කා සමද ඔවුන්  කැමති කාටද? ඔවුන්ගේ රටා මොනවාද යන්න මෙන්ම  ඔවුන් නිතිපතා පළ කරන්නේ කුමන විෂයයන් මතද? යන්න පිළිබඳවද අවබෝධයක් තිබිය යුතුය.

“ ඇතැම් විට ගිණුමෙන් ඔබ දකින ආකාරයේ අන්තර්ගතයන් සහ එය පළ කරන්නේ  යයි කියන පුද්ගලයන් අතර යම් විසන්ධි වීමක් හෝ ගැටුමක් ඇති විය හැකියි. ඒ වගේම ඔය වගේ දේවල් තමයි ඔබට බැලිමට අවශ්‍ය වන්නේ.”සිල්වර්මාන් සඳහන් කරයි.

Twitonomy යනු මාධ්‍යවේදීන්ට ඔවුන් පරීක්ෂා කරන Twitter ගිණුමක සවිස්තරාත්මක සහ දෘශ්‍යමාන විශ්ලේෂණ ලබා ගැනීමට භාවිතා කළ හැකි එක් මෙවලමකි. “ඔවුන් කොපමණ වාරයක් ට්වීට් කරන්නේද, ඔවුන් ට්වීට් කරන විට, ඔවුන් පිළිතුරු දෙන්නේ කුමන ගිණුම්වලටද, ඔවුන් නැවත ට්වීට් කරන්නේ කාටද යන්න එය ඔබට කියයි,” සිල්වර්මන් වැඩිදුරටත් පවසන්නේ ඒසේය  “එමෙන්ම ඔවුන් ට්වීට් කරන විට එය ඔබට ඒය ඒකින් ඒක ලබා දිමට ද මෙම මෙවලමට හැකියාවක් පවතින අතර එය ඔවුන් සිටින්නේ කුමන කාල කලාපයේදැයි සොයා ගැනීමට ඔබට උපකාරී වනු ඇත.”

කතා බහ සඳහා වන යෙදුම් (චැට් ඇප්ස් )

චැට් කිරීම සඳහාම නිර්මාණය වූු මෘදුකංග යෙදුම් බොහෝ විට භාවිත වන්නේ වැරදි තොරතුරු ප්‍රචාරයට වුවද ඒවා විමර්ශණය කිරීමට ලැබෙන අවස්ථා අවමය. මෙය යමකු විසින් දැනුවත්ව පොදු ෆේස්බුක් හෝ ටිව්ටර් ගිණුමක තොරතුරු ප්‍රසිද්ධියේ පළ කිරීමකට වඩා බෙහෙවින්ම වෙනස්.” ලිට්වෙයින්කෝ පවසයි.

සමහර කතා බස්  යෙදුම් වැරදි තොරතුරු පතුරුවා හැරීම සඳහා බහුලව භාවිතා වුවද, ඒවා විමර්ශණය කිරීමට එහි සීමාවන් ඇත. “මෙය පොදු ට්විටර් පැතිකඩකට හෝ පොදු ෆේස්බුක් පැතිකඩකට වඩා බෙහෙවින් වෙනස් ය, එහිදී යමෙකු දැනුවත්ව තොරතුරු මහජනතාවට ඇතුළත් කරයි,” ලිට්වෙයින්කෝ පැහැදිලි කළේය. “චැට් යෙදුම්වලට එම පෞද්ගලිකත්වය පිළිබඳ අපේක්ෂාවක් ඇත, ඔබ ඒ ගැන වාර්තා කරන විට අපි ප්‍රවේශම් විය යුතුය.”

“සීමාවන් මඟහරවා ගැනීමේ එක් ක්‍රමයක් නම් ප්‍රේක්ෂකයන්ගෙන් එම තොරතුරු සමූහය මූලාශ්‍රගත කිරීමයි.”  ඇය පැවසුවාය.

 බ්‍රසීලයේ 2018 මැතිවරණයට බලපෑම් කිරීම සඳහා විවිධ මාධ්‍ය සමාගම් 24ක් එකතු වී කටකතා සහ ව්‍යාජ අන්තර්ගත ව්‍යාප්තිය හඳුනා ගැනීමේ ව්‍යාපෘතියක වැඩ කළ Comprova ව්‍යාපෘතියේදී මෙය බ්‍රසීලයේ සාර්ථක ව භාවිතා කරන ලදී.

“බොහෝ ප්‍රවෘත්ති ආයතන ඔවුන්ගේ පාඨකයන්ට සහ නරඹන්නන්ට එකම වට්ස් ඇප්  WhatsApp අංකයත් යැවුවා. ඒම ග්‍රාහකයන්  තමන්ට හමුවන ඕනෑම ව්‍යාජ තොරතුරක් සත්‍ය අසත්‍යතාව තහවුරු කර ගැනීම සඳහා යළි ආපසු ප්‍රවෘත්ති ආයතනවලට ඒවීමට කටයුතු කළා. ” ඇය පැවසුවාය.

 “ඒ් නිසා ඉඟි ඉල්ලීමේ බලය කිසි විටෙක අවතක්සේරු කරන්න ඒපා” සමූහ මූලාශ්‍ර ක්‍රමය WhatsApp වැනි කතාබස් යෙදුම් සමඟ හොඳින් ක්‍රියා කරයි, එය ප්‍රසිද්ධ නොකළ කණ්ඩායම්වලට සම්බන්ධ වීම දුෂ්කර බැවින් අධ්‍යයනය කිරීමට අභියෝග කරයි.

බාහිර අංශයකට තොරතුරු ලබා ගත නොහැකි සේ සංකේතනය කර ඇති සුලබ යෙදුමක් වන ටෙලිග්‍රෑම් හි අන්තර්ගතය විමර්ශණය කිරීම සඳහා වඩාත් ප්‍රයෝජනවත් මෙවලම්වලින් එකක් වන්නේ  Tgstat වේ. එය සමඟ, මාධ්‍යවේදියෙකුට යම් නාලිකාවක  සිටින අය පිළිබඳ අවබෝධයක් ලබා ගත හැකිය. “එබැවින් ටෙලිග්‍රෑම් ගිණුමේ භාවිත නාමයක්  Tgstat වෙතට ඇතුළු කළහොත්, ඔබට දින 90 ක් දක්වා විශ්ලේෂණ ලබා ගත හැකි අතර නාලිකාවට විශාල ග්‍රාහකයින් ගලා ඒමක් තිබේද නැතහොත් ඔවුන්ගේ අන්තර්ගතය වඩාත් ජනප්‍රිය වූ දිනයක් තිබේදැයි ඔබට දැක ගත හැකියි. “ලිට්වෙයින්කෝ පැවසීය.

කෙසේ වුවද සිල්වර්මාන් ලිට්වෙයින්කෝ විශේෂඥයින් දෙදෙනාම අවධාරණය කරන කරුණක් වන්නේ මෙම මෙවලම් සහ ප්‍රවේසම් සහගත  වාර්තාකරණය සමඟ වුවද යමක්  විනිශ්චය කිරීමට පෙර අතිරේක සහ  නිශ්චිත වෙනත් සාක්ෂි ද රැස් කර ගත යුතු බවය.  “මෙම කාර්යය කරන පුද්ගලයින් සැබවින්ම වැරදියට යන එක් ක්‍රමයක් නම්, ඔවුන් කිසිදු පදනමක් නොමැතිව යම් කරුණු ආරෝපණය කිරීම සහ චෝදනා කිරීමයි” සිල්වර්මන් ඒසේ අනතුරු අඟවයි.

“ඉතින් පරිස්සමෙන් . ඔබට ඉහළ මට්ටමේ විශ්වාසයක් ඇති වන තුරු ඔබේ සාක්ෂි රැස් කරන්න  කරුණු ගොඩ ගසන්න.

මූලාශ්‍රය

This story was originally published by the Global Investigative Journalism Network (GIJN)