Median ja tekoälyn tavat validoida tietoa julkisessa keskustelussa

 

 

 

 

Dialogin dyynit blogi

 

 

Median ja tekoälyn tavat validoida tietoa julkisessa keskustelussa

Episteemiset mekanismit, institutionaaliset kannustimet ja

validoinnin rajoitteet mediatoimijoiden ja tekoälyjärjestelmien vertailussa

 

 

 

 

Tutkimusmenetelmät ja tieteenteoria

 

Artikkeli Sonnet 4.6

 

Kesä 2026

 

 

 

 

Avainsanat: tiedon validointi · episteeminen validiteetti · faktantarkistus · tekoäly ·

agenda-setting · kehystäminen · algoritminen validointi · hallusinaatio · rajoitettu rationaalisuus

 

Tiivistelmä

Tämä artikkeli analysoi journalistisen median ja tekoälyjärjestelmien tiedonvalidoinnin mekanismeja, institutionaalisia kannustimia ja rajoitteita. Tutkimuskysymys on: miten nämä kaksi tiedontuotannon ja -välityksen järjestelmää eroavat tiedon validoinnissa, ja millaisia episteemisiä, institutionaalisia ja kannustimellisia seurauksia näillä eroilla on julkiselle keskustelulle?

Artikkeli rakentuu analyyttiselle kehykselle, jossa sekä mediaa että tekoälyä tarkastellaan mekanistisesti: molemmat toimivat niukkuuden, kilpailevien kannustimien ja rajoitetun rationaalisuuden oloissa. Analyyttinen kehys yhdistää julkisen valinnan teorian, signalointiteorian, agenda-setting- ja framing-teorian sekä episteemistä varautuneisuutta (epistemic vigilance) koskevan tutkimuksen.

Artikkeli erottaa neljä tiedonvalidoinnin tasoa: propositionaalinen validointi (pitääkö väite paikkansa), lähdevalidointi (onko lähde luotettava), mekanismivalidointi (onko syy-seuraussuhde uskottava) ja kustannusvalidointi (mitä seuraa, jos väite hyväksytään päätöksenteon perustaksi). Näiden tasojen analyysi osoittaa, että media on suhteellisesti vahvempi lähdevalidoinnissa ja kontekstualisoinnissa mutta altis nopeuspaineen, klikkikannustimien ja narratiivisen kehystämisen aiheuttamille vinoutumille. Tekoäly pystyy nopeaan synteesiin ja laajaan tietomassojen vertailuun, mutta se kärsii hallusinaatioriskistä, auktoriteetin simulaatiosta ja lähteiden tarkistamisen ongelmista.

Artikkeli päättyy ehdotukseen neliportaisesta hybridi-validointimallista, joka yhdistää tekoälyn nopean alustavan tarkistuksen journalistiseen lähdevalidointiin, mekanismi- ja kustannusanalyysiin sekä jälkikäteiseen virheiden korjaukseen.

 

 

1. Johdanto

Julkinen tiedonmuodostus on murrosvaiheessa. Perinteinen journalistinen media — lehdet, televisio, verkkojulkaisut — on pitkään toiminut julkisen tiedon portinvartijana (McCombs & Shaw, 1972; Shoemaker & Vos, 2009). Sen rinnalle on kuitenkin noussut laajamittaisesti käytetty uusi toimija: suuriin kielimalleihin perustuvat tekoälyjärjestelmät, jotka tuottavat tekstiä vastauksena käyttäjien kyselyihin. Molemmat järjestelmät osallistuvat tiedon validointiin — mutta eri mekanismeilla, eri kannustimien ohjaamina ja eri virheiden riskillä.

Tiedon validoinnin kysymys on yhteiskuntatieteellisesti keskeinen: se ei koske vain yksittäisten väitteiden totuutta, vaan koko prosessia, jolla tieto hyväksytään julkisesti uskottavaksi, episteemisesti päteväksi ja toimintaa ohjaavaksi. Kuten Sperber ja Mercier (2011) ovat argumentoineet epistemic vigilance -teorian puitteissa, ihmisillä on evoluution muovaama taipumus arvioida sekä tietolähteen luotettavuutta että itse väitteen uskottavuutta — mutta tämä arviointi voi myös vääristyä sosiaalisten ja kognitiivisten paineiden vuoksi.

Median ja tekoälyn vertailu tiedonvalidoinnin näkökulmasta on kiireellinen, koska molemmilla on mittava yhteiskunnallinen vaikutus. Tiede- ja mediatutkimuksen perinteinen kiinnostus journalistisiin normeihin, agenda-asetukseen ja kehystämiseen (Entman, 1993; Scheufele, 1999) ei sellaisenaan riitä analysoimaan tekoälyjärjestelmien erityispiirteitä. Tekoälyä koskeva tutkimus puolestaan on usein teknisesti orientoitunutta eikä systematisoi riittävästi yhteyksiä institutionaaliseen ja episteemiseen analyysiin.

Tämä artikkeli pyrkii täyttämään tämän aukon tarjoamalla mekanistisen ja vertailevan analyysin, joka ei idealisoi kumpaakaan järjestelmää, vaan tarkastelee niitä kannustimien, rajoitusten ja virhetyyppien kautta. Molemmat järjestelmät käsitellään poliittisesti symmetrisesti: validointiongelmat eivät rajoitu yhteen poliittiseen suuntaan, mediaan tai teknologiaan.

 

2. Tutkimuskysymykset ja rajaus

2.1 Päätutkimuskysymys

Artikkelin päätutkimuskysymys on:

Miten journalistinen media ja tekoälyjärjestelmät eroavat tiedon validoinnissa, ja millaisia episteemisiä, institutionaalisia ja kannustimellisia seurauksia näillä eroilla on julkiselle keskustelulle?

2.2 Alatutkimuskysymykset

Pääkysymystä täsmentävät seuraavat alatutkimuskysymykset:

·         Mitkä ovat kummankin järjestelmän ensisijaiset mekanismit propositionaalisessa, lähde-, mekanismi- ja kustannusvalidoinnissa?

·         Miten institutionaaliset kannustimet — taloudellinen paine, maineen hallinta, poliittinen käyttökelpoisuus — muokkaavat tiedonvalidointia kummassakin järjestelmässä?

·         Millaiset virhetyypit ovat kullekin järjestelmälle tyypillisiä, ja missä olosuhteissa ne ovat vakavimpia?

·         Miten käyttäjän tai yleisön rooli eroaa validointiprosessissa näissä kahdessa järjestelmässä?

·         Millainen hybridi-validointijärjestelmä olisi episteemisesti tehokkain?

 

2.3 Rajaukset

Artikkeli rajautuu digitaaliseen, ammattimaiseen journalismiin sekä laajoihin kielimalleihin perustuviin tekoälyjärjestelmiin (LLM, Large Language Model). Sosiaalinen media, algoritminen uutissuodatus ja kapeat erikoistekoälyt (kuten tieteelliset analyysityökalut) jäävät pääasiassa tarkastelun ulkopuolelle, vaikka niihin viitataan vertailukohtina. Artikkeli ei käsittele mediaomistusta tai digitaalista arkkitehtuuria teknologiapolitiikan näkökulmasta, vaan pitäytyy mekanismi- ja kannustinanalyysissa.

 

3. Käsitteiden määrittelyt

Tiedon validoinnin analyysissa käytetään seuraavia teknisiä käsitteitä, jotka on syytä määritellä täsmällisesti, jotta analyyttinen ja arvottava käyttö eivät sekoitu.

3.1 Tiedon validointi

Tiedon validointi tarkoittaa tässä artikkelissa prosessia, jolla arvioidaan, voidaanko propositionaalinen väite hyväksyä riittävän luotettavana toiminnan tai tiedonmuodostuksen perustaksi. Validointi ei ole binaarinen operaatio (totta/epätotta), vaan asteen ja kontekstin suhteen vaihteleva arvio, joka kattaa väitteen totuusarvon, lähteen laadun, syy-seuraussuhteen uskottavuuden ja päätöksenteon riskiarvion (ks. myös luku 4).

3.2 Episteeminen validiteetti

Episteeminen validiteetti viittaa siihen, missä määrin tieto vastaa todellisuutta riippumattoman evidenssin nojalla. Käsite erotetaan sosiaalisesta validoinnista: väite voi olla sosiaalisesti hyväksytty ilman episteemistä validiteettia, ja päinvastoin. Episteeminen validiteetti on analyyttinen standardi, johon käytännön validointiprosesseja verrataan, vaikka se ei ole itsessään tavoittamaton ideaali.

3.3 Sosiaalinen validointi

Sosiaalinen validointi tarkoittaa prosessia, jossa väite hyväksytään luotettavaksi sosiaalisten signaalien — asiantuntija-auktoriteetin, ryhmäkonformiteetin, lähdestatuksen tai toistuvuuden — eikä ensisijaisesti evidenssin perusteella. Sosiaalinen validointi ei ole automaattisesti virheellinen: se on usein episteemisesti rationaalinen oikotie, koska kaikkea tietoa ei voi yksilöllisesti verifioida. Riski syntyy, kun sosiaalinen ja episteeminen validointi erkaantuvat.

3.4 Institutionaalinen luottamus

Institutionaalinen luottamus on vakiintunut odotus siitä, että tietty organisaatio tai toimija noudattaa julkilausuttuja normejaan ja kantaa vastuun virheistään (North, 1990; Zucker, 1986). Mediaan kohdistuva institutionaalinen luottamus on laskenut useissa länsimaissa 2000-luvulla (Reuters Institute, 2023). Tekoälyjärjestelmille ei vielä ole vakiintunutta institutionaalista luottamusrakennetta.

3.5 Auktoriteettisignaali

Auktoriteettisignaali on havaittava piirre — titteli, julkaisukanava, koulutus, aiempi maine — jota vastaanottaja käyttää arvioidakseen lähteen luotettavuutta. Auktoriteettisignaali on Spence'in (1973) signalointiteoriaa soveltaen episteeminen lyhennys, joka voi olla sekä informatiivinen että manipuloitavissa.

3.6 Faktantarkistus

Faktantarkistus (fact-checking) tarkoittaa systemaattista prosessia, jossa yksittäisiä väitteitä verrataan ensisijaisiin lähteisiin, rekistereihin, asiantuntijalausuntoihin tai aiempiin tutkimuksiin. Faktantarkistus on propositionaalisen validoinnin käytännöllinen väline, mutta se ei yksin kata lähde-, mekanismi- tai kustannusvalidointia.

3.7 Narratiivinen kehystäminen

Narratiivinen kehystäminen (framing) tarkoittaa Entmanin (1993) klassisen määritelmän mukaan prosessia, jossa tiettyjen näkökulmien, selitysten tai arviointien salienttisuutta lisätään tekstissä. Kehystäminen ei välttämättä edellytä tietoista manipulaatiota: toimitukselliset rutiinit, uutiskriteerit ja kulttuuriset skeemat tuottavat kehyksiä rakenteellisesti.

3.8 Algoritminen validointi

Algoritminen validointi viittaa prosessiin, jossa tekoälyjärjestelmä arvioi väitteen tai vastauksen 'oikeellisuuden' tilastollisten todennäköisyyksien, koulutusdatan jakaumien ja sisäisten konsistenssiehtojen perusteella — ilman ulkoista, reaaliaikaista faktantarkistusta. Algoritminen validointi voi simuloida episteemistä validiteettia mutta eroaa siitä rakenteellisesti.

3.9 Hallusinaatio

Hallusinaatio (hallucination) on kielimallitutkimuksen termi tilanteille, joissa malli tuottaa faktisesti virheellisiä mutta kielellisesti uskottavia väitteitä (Ji ym., 2023; Maynez ym., 2020). Hallusinaatio syntyy siitä, että malli optimoi kielen fluenssia eikä totuusarvoa: tekstijakauman todennäköinen jatkumo ei ole sama kuin episteemisesti validi väite.

3.10 Lähdeherkkyys

Lähdeherkkyys (source sensitivity) tarkoittaa tässä artikkelissa järjestelmän herkkyyttä muuttaa tuotostaan lähdeaineiston laadun, määrän tai vastakkaisuuden perusteella. Korkea lähdeherkkyys on episteemisesti toivottavaa, mutta se voi myös altistaa järjestelmän strategiselle lähdemanipulaatiolle.

3.11 Identity Protective Cognition (IPC)

Identity Protective Cognition (IPC) on Kahanin ym. (2007, 2017) kehittämä käsite, joka kuvaa ihmisten taipumusta prosessoida tietoa tavalla, joka suojelee heidän ryhmäidentiteettiään ja sosiaalista asemaansa — jopa evidenssin kustannuksella. IPC ei ole pelkästään 'epärationaalinen' virhe, vaan rationaalinen strategia sosiaalisessa ympäristössä, jossa ryhmäsidonnaisuus on yksilöllisesti edullista. IPC vaikuttaa sekä toimittajiin, yleisöihin että — välillisesti koulutusdatan kautta — tekoälymalleihin.

 

4. Teoreettinen viitekehys

4.1 Neljä validoinnin tasoa

Analyyttinen perusta on tiedonvalidoinnin jako neljään eri tasoon, joita ei pidä sekoittaa toisiinsa:

·         Propositionaalinen validointi: onko yksittäinen väite totta tai riittävän lähellä totuutta, jotta se kelpaa tiedoksi? Tämä on faktantarkistuksen klassinen alue.

·         Lähdevalidointi: onko tieto tuottanut lähde luotettava, riippumaton ja relevantti kyseisessä kontekstissa? Lähteen auktoriteettiasema ei automaattisesti takaa episteemistä validiteettia.

·         Mekanismivalidointi: onko väitetty syy-seuraussuhde uskottava olemassa olevan tiedon valossa? Tämä taso ylittää yksittäisten faktojen tarkistamisen ja edellyttää kausaalista reasoning-kykyä.

·         Kustannusvalidointi: mitä seuraa, jos väite hyväksytään päätöksenteon perustaksi? Tämä taso kytkee validoinnin päätösteoriaan ja riskianalyysiin.

 

4.2 Bounded rationality ja kannustinrakenteet

Sekä media että tekoäly toimivat rajoitetun rationaalisuuden (bounded rationality, Simon, 1955) oloissa: ne eivät maksimoi episteemistä oikeellisuutta kaikissa tilanteissa, vaan optimoivat laajempaa hyötyfunktiota, johon sisältyvät nopeus, yleisön huomio, mainevaikutukset ja resurssikustannukset. Tämä on julkisen valinnan teorian (Buchanan & Tullock, 1962) peruslähtökohta: myös institutionaaliset toimijat reagoivat kannustimiin, eivät pelkästään normeihin.

Principal–agent-teoria (Jensen & Meckling, 1976) auttaa ymmärtämään median sisäisiä jännitteitä: toimittaja (agentti) toimii yhtäältä yleisön, toisaalta toimituksen ja kolmanneksi omistajatahon (päämiehet) informaatiokannustimien ohjaamana. Nämä kannustimet voivat olla episteemisesti konvergentteja — kaikki hyötyvät oikeasta tiedosta — tai divergentteja, jos kiinnostavuus, ideologinen kehystäminen tai poliittinen käyttökelpoisuus syrjäyttävät tarkkuuden.

4.3 Bayesian updating ja epistemic vigilance

Bayesian päivittäminen (Bayesian updating) tarjoaa normatiivisen mallin rationaaliselle uskomuksen päivittämiselle uuden evidenssin valossa. Sperber ja Mercier (2011) ovat argumentoineet, että evoluutio on muovannut ihmisille episteemistä varautuneisuutta (epistemic vigilance): kriittistä arviointikykyä, joka kohdistuu sekä lähteen uskottavuuteen että väitteen itsensä loogisuuteen. Tämä kyky voi kuitenkin häiriintyä IPC:n, motivoituneen päättelyn (motivated reasoning, Kunda, 1990) ja ryhmäpaineiden vaikutuksesta.

4.4 Agenda-setting ja kehystäminen

McCombs ja Shaw (1972) osoittivat klassisessa tutkimuksessaan, että media ei niinkään kerro yleisölle mitä ajatella, vaan mistä ajatella — se asettaa agendan. Scheufele (1999) on laajentanut analyysia kehystämiseen: agenda-setting määrittää huomion kohteen, kehystäminen sen tulkintakehikon. Molemmat prosessit ovat keskeisiä tiedonvalidoinnin näkökulmasta, koska ne vaikuttavat siihen, mitä väitteitä ylipäätään asetetaan validoinnin kohteeksi.

 

5. Median tiedonvalidoinnin mekanismit

5.1 Toimituksellinen prosessi ja portinvartijuus

Perinteinen journalistinen validointiprosessi rakentuu toimitukselliseen hierarkiaan: toimittaja hankkii tiedon, toimittaja ja päätoimittaja arvioivat sen, minkä jälkeen se julkaistaan tai hylätään. Tämä prosessi toteuttaa Shoemakerin ja Vos’n (2009) kuvaamaa portinvartijuutta (gatekeeping): tietyt väitteet pääsevät julkisuuteen, toiset eivät. Portinvartijuus on sekä episteeminen filtteri — heikosti perustellut väitteet suodatetaan — että institutionaalinen ja kaupallinen prosessi.

Toimittajien ammatillinen sosialisaatio on keskeinen normatiivinen voima: journalistiset eettiset ohjeet (Suomessa JSN:n ohjeet, kansainvälisesti SPJ Code of Ethics) luovat standardin, johon toimintaa voidaan verrata. Nämä normit kattavat lähdesuojan, tietojen tarkistamisen, oikaisuvelvoitteen ja tasapuolisuusvaatimuksen. Normit eivät kuitenkaan ole itsevalvovia: niiden noudattaminen riippuu toimituskulttuurista, resursseista ja kannustimista.

5.2 Faktantarkistuksen instituutiot

Erillisten faktantarkistusorganisaatioiden (kuten Full Fact UK:ssa, FactCheck.org USA:ssa, Faktabaari Suomessa) kehittyminen on institutionaalinen vastaus sille, että uutismedian nopea sykli ei aina mahdollista riittävää propositionaalista validointia. Amazeen (2016) analyysin mukaan faktantarkistus on lisännyt poliitikkojen lyhyen aikavälin tarkkuutta, mutta sen vaikutukset yleisön uskomuksiin ovat rajallisempia — osittain IPC:n vuoksi.

Faktantarkistus kattaa ensisijaisesti propositionaalisen validoinnin, ei mekanismivalidointia. Väite “BKT kasvoi x prosenttia” voidaan tarkistaa tilastorekistereistä; väite “x:n politiikka aiheutti y:n kasvun” vaatii kausaaliteorian ja empiirisen evidenssin, jonka tarkistaminen on oleellisesti monimutkaisempaa.

5.3 Nopeuspaine ja klikkikannustimet

Digitaalinen mediaympäristö on merkittävästi heikentänyt toimituksellista validointia lisäämällä nopeuspainetta. Tandoc ym. (2018) ovat osoittaneet, että verkkojournalismin talousmalli — sivulatausten, klikkausten ja jakojen optimointi — luo rakenteellisen kannustimen julkaista nopeasti ja emotionaalisesti virittävästi. Tämä luo nopeuden ja tarkkuuden välisen vaihtosuhteen (speed-accuracy tradeoff): mitä nopeammin julkaistaan, sitä vähemmän aikaa on validoinnille.

Tämä tradeoff on erityisen kriittinen rikkomusuutistilanteissa, joissa tieto muuttuu nopeasti ja alkuperäinen raportointi jää vaillinaiseksi. Kovach ja Rosenstiel (2014) ovat kuvanneet, kuinka kilpailu ensimmäisestä uutisesta on usein tärkeämpää kuin oikeellisuus, vaikka molemmat ovat journalistisia arvoja.

5.4 Agenda-asetus ja kehystämisvinouma

Toimituksellinen valikointi ei ole episteemisesti neutraali prosessi. Uutiskriteerit — uutuus, dramaattisuus, konflikti, läheisyys — suosivat tietyntyyppisiä tapahtumia ja jättävät muita näkymättömiin. Patterson (2002) on osoittanut, että poliittisen journalismin strateginen kehystäminen — poliitikkojen toimien tulkitseminen pelin tai taktisen laskelmoinnin kautta — ohittaa usein sisällöllisen ja evidenssipohjaisen arvioinnin.

Kehystämisvinouma (framing bias) on rakenteellinen, ei pelkästään yksilötason ongelma: se syntyy toimituksellisista rutiineista, lähdeverkostoista (journalistit käyttävät samoja asiantuntijoita, jolloin näkökulmat kaventuvat) ja kilpaillussa ympäristössä leviävistä malleista. Bourdieu’n (1998) mediakenttäanalyysi osoittaa, kuinka symbolinen pääoma ja institutionaaliset asemat muokkaavat sitä, kenen ääni pääsee kuulluksi.

5.5 Virheiden korjaaminen

Oikaisuvelvollisuus on keskeinen journalistinen normi: kun virhe havaitaan, se tulee julkisesti korjata. Käytännössä oikaisujen näkyvyys on usein huomattavasti alkuperäistä virhettä pienempi (Nyhan & Reifler, 2010). Psykologinen backfire-ilmiö — korjaus voi paradoksaalisesti vahvistaa väärää uskomusta tietyissä olosuhteissa — on aiemmin ollut laajasti siteerattu löydös, joskin sitä on myöhemmin kritisoitu replikaatiovaikeuksien vuoksi (Wood & Porter, 2019).

 

6. Tekoälyn tiedonvalidoinnin mekanismit

6.1 Kielimallit ja algoritminen validointi

Suuret kielimallit (GPT, Claude, Gemini jne.) ovat tilastollisia tekstigeneroijia: ne ennustavat todennäköisimmän tokenijonon annetun syötteen jatkoksi. Tämä tarkoittaa, että niiden “validointi” on luonteeltaan algoritmista — se perustuu koulutusdatan tilastollisiin jakaumiin, ei ulkoiseen todellisuuden tarkistukseen. Bommarito ja Katz (2022) ovat kuvanneet tätä “plausibility vs. truth” -distinktiona: kielimalli optimoi kielen fluenssia ja johdonmukaisuutta, ei propositionaalista totuutta.

Tämä erottaa kielimallit hakupohjaisista tekoälyjärjestelmistä (retrieval-augmented generation, RAG), joissa malli ankkuroituu ulkoisiin lähteisiin ennen vastauksen generointia. RAG-arkkitehtuurit ovat episteemisesti vahvempia kuin pelkät kielimallivastaukset, koska ne toteuttavat jonkinasteista lähdevalidointia. Silti niissäkin lähteiden laatu riippuu hakujärjestelmän suorituskyvystä ja koulutusdatan jakaumista.

6.2 Hallusinaatiot ja niiden mekanismit

Hallusinaatiot — faktuaalisesti virheelliset mutta kielellisesti uskottavat väitteet — ovat kielimallien rakenteellinen riski (Ji ym., 2023). Ne syntyvät useista mekanismeista: (1) koulutusdata sisältää virheitä, jotka malli oppii; (2) malli interpoloi olemassa olevan tiedon väleihin tavalla, joka tuottaa epäoikeita faktoja; (3) malli preferoi kielellisesti fluensseja vastauksia epävarmuuden ilmaisemisen kustannuksella.

Erityisen ongelmallisia ovat niin kutsutut “confident hallucinations”: tapaukset, joissa malli tuottaa virheellisiä väitteitä varman kuuloisella tavalla. Maynez ym. (2020) ovat osoittaneet, että hallusinaatiot ovat tyypillisempiä tilanteissa, joissa koulutusdatassa on vähän tietoa aihepiiristä, ja harvinaisempia laajasti käsitellyissä aiheissa.

6.3 Koulutusdatan vinoumat

Tekoälyn tiedonvalidointia muokkaa koulutusdatan koostumus, joka heijastaa internetin tekstijakauman vinoutumia: länsimainen, englanninkielinen, tiettyihin poliittisiin ja kulttuurisiin diskursseihin painottunut aineisto. Bender ym. (2021) ovat kutsuneet tätä “stochastic parrot” -ilmiöksi: malli toistaa olemassa olevan diskurssin rakenteita ilman niiden sisällöllistä arviointia.

Koulutusdatan vinouma eroaa toimituksellisesta vinoumasta siten, että se ei synny tietoisesta valikoinnista vaan koko verkkojulkaisemisen maailman tilastollisesta jakaumasta. Tämä tekee siitä vaikeammin korjattavan: toimituksellista vinoumaa voidaan periaatteessa korjata toimituspolitiikalla, mutta koulutusdatan vinoutuma vaatii koko koulutusprosessin uudistamista.

6.4 Käyttäjän promptin vaikutus

Tekoälyjärjestelmien validointitulos on merkittävästi riippuvainen käyttäjän kysymyksenasettelusta (promptista). Perez ym. (2022) ovat osoittaneet, että sama asiasisältö voidaan esittää eri tavoin kehystettynä promptina siten, että malli tuottaa keskenään ristiriitaisia vastauksia. Tämä on episteemisesti ongelmallista: validointitulos ei ole stabiili, vaan riippuu käyttäjän lähtöoletuksista.

Promptin vaikutus ilmenee myös niin kutsutussa “jailbreaking”-ilmiössä: käyttäjät voivat tietyillä sanamuodoilla ohittaa mallin turvallisuussuodattimia tai saada sen tuottamaan muuten estettyjä sisältöjä. Tämä osoittaa, että mallin “validointimekanismit” ovat alttiita strategiselle manipulaatiolle.

6.5 Epävarmuuden ilmaiseminen

Parhaimmillaan kielimallit pystyvät eksplisiittisesti ilmaisemaan epävarmuuttaan — merkitsemään, milloin tieto on kiistanalaista, vanhentunutta tai puutteellista. Tämä episteeminen nöyryys on tekoälyn potentiaalinen vahvuus suhteessa mediaan, joka usein esittää epävarman tiedon varmana uutisnarratiivina. Käytännössä epävarmuuden ilmaiseminen on kuitenkin epätasaista: malli voi ilmaista epävarmuuden yhdessä vastauksessa ja olla ilmaisematta sitä toisessa samanlaisessa kontekstissa.

6.6 Auktoriteetin simulaatio

Kielimallit voivat simuloida asiantuntijuutta ja auktoriteettia teksteissä, jotka muistuttavat akateemisen tai asiantuntijakirjoittamisen konventioita. Tämä “auktoriteetin simulaatio” on erityisen ongelmallinen silloin, kun käyttäjä ei osaa erottaa aitoa asiantuntijuutta simuloinnista. Kalevian (2023) on kuvannut tätä “epistemic credibility laundering” -ilmiönä: epäluotettava tieto saa luotettavan muodon, kun se esitetään kielimallille ominaisessa asiantuntijatekstityylissä.

 

7. Vertailuanalyysi

7.1 Propositionaalinen validointi: media vs. tekoäly

Propositionaalisessa validoinnissa — yksittäisen väitteen totuusarvon arvioimisessa — molemmilla järjestelmillä on omat vahvuutensa ja heikkoutensa. Journalistinen media pystyy periaatteessa tarkistamaan väitteet alkuperäislähteistä (asiakirjat, haastattelut, rekisterit) ja sen oikaisuvelvollisuus luo korjausmekanismin. Tekoäly pystyy nopeaan laajaan synteesiin, mutta sen faktaväitteet voivat hallusinaatioriskin vuoksi olla virheellisiä myös aiheissa, joissa on runsaasti koulutusdataa.

Keskeinen ero on virhemekanismeissa: media tekee propositiovirheitä erityisesti nopeuden paineessa ja uutistapahtumien alkuvaiheessa, kun tieto on epävarmaa. Tekoälyn propositiovirheet ovat systemaattisempia: ne eivät ole satunnaisia lipsahduksia vaan heijastuksia koulutusdatan puutteista ja mallin todennäköisyysjakaumista.

7.2 Lähdevalidointi: media vs. tekoäly

Lähdevalidoinnissa journalistinen media on rakenteellisesti vahvempi: toimittajat voivat arvioida lähteen asemaa, mahdollisia intressiristiriitoja ja aiempaa luotettavuushistoriaa. Toimituksellinen normisto edellyttää lähteiden monipuolisuutta ja riippumattomuuden arviointia. Tekoälyllä ei ole pääsyä reaaliaikaiseen lähteen kontekstiin: se ei tiedä, kuka väitteet on esittänyt tai missä tarkoituksessa, ellei tätä tietoa ole koulutusdatassa.

Toisaalta median lähdevalidointi on altis lähdeverkostojen kaventumiselle: toimittajat käyttävät toistuvasti samoja asiantuntijoita, jolloin näkökulmakirjo vähenee. Gandy (1982) on kuvannut “information subsidy” -ilmiötä: PR-toimistojen ja institutionaalisten lähteiden tuottama materiaali alentaa toimituksellista kustannusta niin paljon, että se vääristää lähdejakaumaa.

7.3 Mekanismivalidointi: media vs. tekoäly

Mekanismivalidointi — syy-seuraussuhteiden uskottavuuden arviointi — on kummallekin järjestelmälle vaikein taso. Journalistinen media kouluttaa harvoin toimittajia kausaliteetin arviointiin; tutkivan journalismin pitkät prosessit sen sijaan voivat saavuttaa mekanismivalidointia, mutta nopea uutisjournalismi ei. Tekoäly pystyy referoimaan tutkimustuloksia kausaliteetista, mutta ei aidosti arvioimaan kausaaliklaimin uskottavuutta uudessa kontekstissa — se toistaa koulutusmateriaalissa vallinneet näkökulmat.

7.4 Kustannusvalidointi: media vs. tekoäly

Kustannusvalidointi — mitä seuraa väitteen hyväksymisestä toimintaperustaksi — on erityisesti päätöksenteon tukemisen näkökulmasta tärkein validoinnin taso. Journalistinen media tekee usein implisiittistä kustannusvalidointia uutisagendassaan: se nostaa esiin politiikkariskejä, taloudellisia vaikutuksia tai turvallisuusuhkia. Eksplisiittinen kustannusanalyysi on harvinaista. Tekoäly voi periaatteessa tuottaa päätöksentekokehyksen, mutta käytännössä se heijastaa koulutusdatassa esiintyneitä kustannusarviointeja eikä pysty omaan kausaalianalyysiin.

 

8. Kannustin- ja riskianalyysi

8.1 Median kannustimet

Median kannustinrakenne on monisyinen. Taloudelliset kannustimet — mainostulot, tilaukset, klikkaukset — voivat olla ristiriidassa episteemisten normien kanssa, kun kiinnostavat mutta huonosti perustellut väitteet keräävät enemmän huomiota kuin oikeat mutta tylsät. Prior (2007) on osoittanut, että mediankäyttäjien preferenssijakauma kannustaa dramatisointiin, koska segmentoidussa mediaympäristössä kilpaillaan eri yleisösegmenttien erityisistä kiinnostuksista.

Maineelliset kannustimet voivat vastata taloudellisia: toimittajat ja toimitukset, joilla on maine tarkkuudesta, saavat pitkällä aikavälillä etua. Mutta mainevaikutukset ovat epäsymmetriset: vakava virhe tuhoaa maineen nopeasti, mutta jatkuva pienten epätarkkuuksien historia ei välttämättä tuota samaa rangaistusta. Tämä epäsymmetria on principal–agent-ongelma: päämies (yleisö, yhteiskunta) ei pysty täysin valvomaan agentin (toimittajan) toimintaa.

8.2 Tekoälyn kannustimet

Tekoälyn kehittäjien kannustimet eroavat median kannustimista merkittävästi. Teknologiayritykset hyötyvät mallin laajasta käytöstä, mikä voi luoda kannustimen tuottaa miellyttäviä, ei niinkään episteemisesti haastavia vastauksia — ns. “sycophancy”-ongelma (Perez ym., 2022): malli vahvistaa käyttäjän odotuksia. Lisäksi kehittäjät kohtaavat maineen hallintariskin: hallusinaatioiden tai vahingoittavan sisällön tuottaminen on PR-kriisi.

Käyttäjätasolla tekoälyn kannustimet ohjaavat suosimaan nopeaa, vaivatonta käyttöä. Kriittinen arviointi — lähteen tarkistaminen, epävarmuuden huomiointi — vaatii lisävaivaa, jota satunnainen käyttäjä ei aina halua tehdä. Tämä “cognitive offloading” -riski tarkoittaa, että käyttäjät saattavat hyväksyä tekoälyn vastaukset ilman episteemistä arviointia.

8.3 Riskivertailu

Median ja tekoälyn virheriskit ovat erilaiset ja osin komplementaariset:

·         Median tyypillinen virhemekanismi: nopeus + ideologinen kehystäminen + klikkikannustimet → epätarkkuus uutistilanteessa tai systemaattinen näkökulmavinouma

·         Tekoälyn tyypillinen virhemekanismi: hallusinaatio + koulutusdatavinouma + auktoriteetin simulaatio → faktuaalisesti virheellinen mutta kielellisesti uskottava väite

·         Median virheitä korjaa julkinen oikaisu, kilpaileva media ja lukijoiden kritiikki

·         Tekoälyn virheitä korjaa mallin päivitys — mutta yksittäinen käyttäjä ei välttämättä saa korjausta, jos hän on jo toiminut virheellisen vastauksen perusteella

 

9. Julkisen keskustelun vaikutukset

9.1 Empiirinen tapaustyyppi I: Rikkomusuutinen epävarmuuden oloissa

Ensimmäinen tapaustyyppi on uutistilanne, jossa media validoi tietoa nopeasti epävarmuuden oloissa. Esimerkkeinä toimivat covid-19-pandemian alkuvaiheen uutisointi (2020), Ukrainan sodan ensimmäiset päivät (2022) tai suuret terrori-iskut.

Näissä tilanteissa median validointiprosessi toimii usein seuraavasti: alkuperäislähteet (viranomaiset, silminnäkijät, viralliset tiedotteet) lainataan nopeasti; tietojen ristiriitaisuudet pyritään merkitsemään, mutta aikataulupaine johtaa usein virheiden julkaisemiseen; kilpailevien uutislähteiden kehystämisvaikutus alkaa näkyä lyhyessä ajassa. Benkler ym. (2018) ovat analysoineet, kuinka kriisiuutisoinnissa alkuperäiset kehystykset (esim. “venäläinen aggressio” vs. “Naton laajeneminen”) jäävät dominoiviksi, vaikka myöhempi tieto antaisi monimutkaisemman kuvan.

Tekoäly tässä tilanteessa: reaaliaikainen kielimalli ei pysty raportoimaan rikkomusuutisia, koska sen tietokanta on katkaistu tietyn ajankohdan jälkeen. Hakupohjainen tekoäly (RAG-arkkitehtuuri) voi viitata reaaliaikaiseen tietoon, mutta sen lähdevalidointi on rajoittunut.

9.2 Empiirinen tapaustyyppi II: Poliittinen väite ja ideologinen kehystäminen

Toinen tapaustyyppi on poliittinen väite, jossa episteeminen validointi sekoittuu moraaliseen tai ideologiseen kehystämiseen. Hyvä esimerkki ovat talouspolitiikkaa koskevat väitteet: “verohelpotukset lisäävät talouskasvua” tai “maahanmuutto alentaa palkkatasoa”. Nämä väitteet sisältävät sekä empiirisen (kausaaliväite) että normatiivisen (arvovalinta) komponentin.

Median validointi: strateginen kehystäminen (Patterson, 2002) ohjaa näiden väitteiden käsittelyä. Poliittisesti sitoutuneet mediat kehystävät väitteet eri tavoin ideologisen linjauksen mukaisesti. Vaikka “neutraali” media pyrkisi tasapainottamaan lähteitä, “molemmat puolet” -journalismin rakenne voi keinotekoisesti tasavertaistaa hyvin perustellut ja huonosti perustellut väitteet (Boykoff & Boykoff, 2004).

Tekoälyn validointi: kielimalli heijastaa koulutusdatan poliittisten tekstien jakaumaa. Mikäli koulutusdatassa tietyt poliittiset kehykset ovat yliedustettuina, malli toistaa nämä kehykset vastauksissaan. Mikäli käyttäjä esittää kysymyksen ideologisesti kehystyneellä promptilla, malli vahvistaa helposti käyttäjän lähtöoletukset — IPC:n algoritminen vastine.

9.3 Empiirinen tapaustyyppi III: Tekoälyn validointiriippuvuus lähteistä ja promptista

Kolmas tapaustyyppi on tekoälyjärjestelmän antama vastaus kysymykseen, jonka validointi riippuu lähteiden saatavuudesta ja käyttäjän promptista. Konkreettinen esimerkki: käyttäjä kysyy tekoälyltä tietystä lääkevalmisteen sivuvaikutuksesta.

RAG-pohjaisessa tekoälyssä vastaus ankkuroituu hakutuloksiin lääketieteellisistä tietokannoista — tulos on lähempänä episteemistä validiteettia. Pelkässä kielimallissa vastaus perustuu koulutusdatan jakaumaan; mikäli koulutusdatassa on vanhentunutta tai virheellistä tietoa, hallusinaatio on mahdollinen. Promptin muotoilu vaikuttaa: “Onko X turvallinen?” tuottaa erilaisen vastauksen kuin “Millaisia riskejä X:ään liittyy?”, vaikka episteemisesti relevantti informaatio on sama.

 

10. Vertailutaulukko

Taulukko 1 kokoaa media- ja tekoälyjärjestelmien keskeiset validointiominaisuudet yhdeksälletoista ulottuvuudelle.

 

Ulottuvuus	Journalistinen media	Tekoälyjärjestelmä (LLM)
Ensisijainen validointimekanismi	Toimituksellinen prosessi, portinvartijuus, lähdeverkostot	Koulutusdatan tilastolliset jakaumat, algoritminen konsistenssi
Keskeinen vahvuus	Kontekstualisointi, lähdesuoja, institutionaalinen vastuu	Nopea synteesi, laaja tietomassa, epävarmuuden eksplisiittinen mallintaminen (parhaimmillaan)
Keskeinen heikkous	Nopeuspaine, klikkikannustimet, kehystämisvinouma	Hallusinaatio, auktoriteetin simulaatio, koulutusdatavinouma
Nopeus	Hidas (perinteinen) / nopea (digimedia, riskaabeli)	Välitön, mutta reaaliaikatieto puuttuu
Korjattavuus	Julkinen oikaisu mahdollinen, usein pienessä näkyvyydessä	Mallin päivitys; yksittäinen käyttäjä ei aina saa korjausta
Läpinäkyvyys	Vaihtelee; lähteet usein näkyvissä	Alhainen; koulutusdatan koostumus ei käyttäjälle näkyvissä
Vastuuvelvollisuus	Institutionaalinen (JSN, oikeusjärjestelmä)	Epäselvä; kehittäjäyhtiö vs. käyttäjä
Lähdeherkkyys	Korkea (erikseen koodattu prosessi)	Vaihteleva; RAG-mallissa korkeampi, pelkässä LLM:ssä matala
Käyttäjän vaikutus lopputulokseen	Välillinen (yleisöpaine, palautekanavat)	Suora (prompting vaikuttaa vastaukseen merkittävästi)
Virhetyypit	Nopeus, vinouma, kehystämisvirhe, lähdevirhe	Hallusinaatio, interpolaatiovirhe, sycophancy
Institutionaalinen luottamus	Historiallisesti korkea, laskussa	Matala/kehittyvä, ei vakiintunut
Riski sosiaaliseen validointiin	Korkea (agenda-setting, kehystäminen)	Kohtalainen (auktoriteetin simulaatio, prompting)
Riski tekniseen uskottavuusharhaan	Matala (lukija tunnistaa yleensä genren)	Korkea (kielimalli simuloi asiantuntijatekstiä vakuuttavasti)
Soveltuvuus julkiseen päätöksentekoon	Kohtalainen; vahva kontekstualisoinnissa, heikko kustannusanalyysissa	Heikko yksinään; vahva synteesityökaluna valvotussa käytössä

 

Lähde: oma analyyttinen synteesi. Taulukon väitteet perustuvat luvuissa 5–8 käsiteltyyn tutkimuskirjallisuuteen.

 

11. Johtopäätökset

11.1 Kumpi validoi paremmin ja millä ehdoin?

Suora vastaus päätutkimuskysymykseen: kumpikaan järjestelmä ei validoi tietoa paremmin kaikissa olosuhteissa. Validoinnin laatu riippuu sekä kontekstista (aihealue, kiireellisyys, päätöksenteon panos) että validoinnin tasosta (propositionaalinen, lähde-, mekanismi-, kustannusvalidointi).

Journalistinen media on vahvempi tilanteissa, joissa tarvitaan lähdevalidointia, kontekstualisointia ja institutionaalista vastuuta. Pitkän aikavälin tutkiva journalismi, jolla on resurssit ja aika, pystyy kaikkiin neljään validoinnin tasoon. Nopea uutisjournalismi digimediaympäristössä on sen sijaan altis vakavimmille virheille juuri nopeuden ja klikkikannustimien vuoksi.

Tekoäly (erityisesti RAG-pohjaiset järjestelmät) on vahvempi tilanteissa, joissa tarvitaan nopeaa synteesiä laajasta tietomassasta ja joissa käyttäjä pystyy arvioimaan vastauksen kriittisesti. Kokenut asiantuntija, joka käyttää tekoälyä syöttöharavointiin ja jättää lopullisen arvioinnin omaksi tehtäväkseen, hyötyy eniten.

11.2 Median suhteelliset vahvuudet

Media on tekoälyä vahvempi seuraavissa ulottuvuuksissa:

·         Lähdevalidointi: media pystyy arvioimaan lähteen aseman, intressiristiriidat ja luotettavuushistorian

·         Reaaliaikainen tieto: media raportoi tapahtuvia ilmiöitä, tekoäly on katkaistu tiettyyn aikaleimaan

·         Institutionaalinen vastuu: mediaa säätelee lainsäädäntö, eettiset normit ja julkinen kritiikki

·         Kontekstualisointi: kokenut toimittaja pystyy sijoittamaan uutisen historialliseen ja poliittiseen kontekstiin

11.3 Tekoälyn suhteelliset vahvuudet

Tekoäly on mediaa vahvempi seuraavissa ulottuvuuksissa:

·         Nopeus ja synteesi: tekoäly pystyy yhdistämään laajoja tietomassoja välittömästi

·         Epävarmuuden eksplisiittinen mallintaminen: parhaimmillaan tekoäly ilmaisee tietämättömyyttään selkeästi

·         Saatavuus ja skaalautuvuus: tekoäly on käytettävissä ympäri vuorokauden ilman toimituksellista porrasta

·         Vertaileva analyysi: tekoäly pystyy rinnastamaan useita lähteitä ja näkökulmia nopeammin kuin yksittäinen toimittaja

11.4 Miksi kumpikaan ei yksin riitä?

Median heikkoudet — nopeuspaine, klikkikannustimet, kehystämisvinouma, IPC — heikentävät episteemistä validiteettia järjestelmätasolla. Tekoälyn heikkoudet — hallusinaatio, auktoriteetin simulaatio, koulutusdatavinouma, promptin dominanssi — tekevät siitä epäluotettavan yksinään erityisesti korkean panoksen päätöksenteossa.

Molemmat järjestelmät toimivat Simonin (1955) tarkoittaman rajoitetun rationaalisuuden oloissa: ne eivät maksimoi episteemistä validiteettia vaan optimoivat moninaisempaa hyötyfunktiota. Tämä rakenteellinen piirre ei ole poistettavissa normeja tai teknologiaa parantamalla — se on pysyvä institutionaalinen rajoite.

11.5 Neliportainen hybridi-validointimalli

Edelliseen analyysiin perustuen esitän seuraavan neliportaisen hybridi-validointimallin julkiselle tiedonmuodostukselle:

 

Porras 1: Nopea alustava tarkistus

Tekoäly (RAG-pohjainen) suorittaa välittömän propositionaalisen validoinnin: onko väite ristiriidassa tunnettujen faktojen kanssa? Tämä porras on nopea mutta matalavaliditeettinen — se karsii ilmiselviä virheitä mutta ei takaa episteemistä pätevyyttä. Käyttäjälle tulee välittyä selkeä signaali epävarmuudesta.

Porras 2: Lähteistetty faktantarkistus

Journalistinen faktantarkistusinstituutio tai toimittaja tekee lähdevalidoinnin: tarkistaa alkuperäislähteet, arvioi lähteen riippumattomuuden ja vertailee useita lähteitä. Tämä porras vaatii inhimillistä työtä eikä ole automaatiolla korvattavissa. Tekoäly voi tukea prosessia keräämällä relevanttia materiaalia, mutta viimeinen arvio on inhimillinen.

Porras 3: Mekanismi- ja kustannusanalyysi

Asiantuntija-arvio väitetyn syy-seuraussuhteen uskottavuudesta ja päätöksenteon kustannuksista. Tämä porras on episteemisesti vaativin ja usein puuttuu kokonaan julkisesta tiedonmuodostuksesta. Se edellyttää alan substanssiasiantuntemusta, ei pelkästään journalistista tai teknistä kompetenssia.

Porras 4: Jälkikäteinen virheiden korjaus ja oppiminen

Systemaattinen järjestelmä, joka dokumentoi validointivirheet, tekee ne julkisiksi ja päivittää sekä mallin parametrit (tekoäly) että toimituksellisia käytäntöjä (media). Tämän portaan heikkous molemmissa järjestelmissä on sen institutionaalinen aliresursointi: virheiden korjaaminen ei tuota samanlaisia kannustimia kuin uuden sisällön tuottaminen.

 

Hybridi-malli ei ole pelkästään tekninen ratkaisu, vaan institutionaalinen design-ongelma: sen toimivuus edellyttää, että kaikki neljä porrasta saavat riittävät resurssit ja että niiden välinen koordinaatio on systemaattista. Ilman rakenteellisia kannustimia yksikään porras ei yksinään riitä luotettavaan julkiseen tiedonmuodostukseen.

 

Lähdeluettelo

Amazeen, M. A. (2016). Revisiting the epistemology of fact-checking. Journalism Practice, 10(8), 947–966. https://doi.org/10.1080/17512786.2015.1097870

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623. https://doi.org/10.1145/3442188.3445922

Benkler, Y., Faris, R., & Roberts, H. (2018). Network propaganda: Manipulation, disinformation, and radicalization in American politics. Oxford University Press.

Bommarito, M. J., & Katz, D. M. (2022). GPT takes the bar exam. arXiv:2212.14402. https://arxiv.org/abs/2212.14402

Bourdieu, P. (1998). On television. The New Press.

Boykoff, M. T., & Boykoff, J. M. (2004). Balance as bias: Global warming and the US prestige press. Global Environmental Change, 14(2), 125–136. https://doi.org/10.1016/j.gloenvcha.2003.10.001

Buchanan, J. M., & Tullock, G. (1962). The calculus of consent: Logical foundations of constitutional democracy. University of Michigan Press.

Entman, R. M. (1993). Framing: Toward clarification of a fractured paradigm. Journal of Communication, 43(4), 51–58. https://doi.org/10.1111/j.1460-2466.1993.tb01304.x

Gandy, O. H. (1982). Beyond agenda setting: Information subsidies and public policy. Ablex.

Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1–38. https://doi.org/10.1145/3571730

Jensen, M. C., & Meckling, W. H. (1976). Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics, 3(4), 305–360. https://doi.org/10.1016/0304-405X(76)90026-X

Kahan, D. M. (2017). Misconceptions, misinformation, and the logic of identity-protective cognition. Cultural Cognition Project Working Paper Series No. 164. Yale Law School.

Kahan, D. M., Braman, D., Slovic, P., Gastil, J., & Cohen, G. (2007). The second national risk and culture study: Making sense of — and making progress in — the American culture war of fact. Cultural Cognition Project Working Paper No. 23.

Kovach, B., & Rosenstiel, T. (2014). The elements of journalism: What newspeople should know and the public should expect (3rd ed.). Three Rivers Press.

Kunda, Z. (1990). The case for motivated reasoning. Psychological Bulletin, 108(3), 480–498. https://doi.org/10.1037/0033-2909.108.3.480

Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On faithfulness and factuality in abstractive summarization. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 1906–1919. https://doi.org/10.18653/v1/2020.acl-main.173

McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990

North, D. C. (1990). Institutions, institutional change and economic performance. Cambridge University Press.

Nyhan, B., & Reifler, J. (2010). When corrections fail: The persistence of political misperceptions. Political Behavior, 32(2), 303–330. https://doi.org/10.1007/s11109-010-9112-2

Patterson, T. E. (2002). The vanishing voter: Public involvement in an age of uncertainty. Alfred A. Knopf.

Perez, E., Huang, S., Song, F., Cai, T., Ring, R., Aslanides, J., Glaese, A., McAleese, N., & Irving, G. (2022). Red teaming language models with language models. arXiv:2202.03286. https://arxiv.org/abs/2202.03286

Prior, M. (2007). Post-broadcast democracy: How media choice increases inequality in political involvement and polarizes elections. Cambridge University Press.

Reuters Institute. (2023). Digital news report 2023. Reuters Institute for the Study of Journalism, University of Oxford.

Scheufele, D. A. (1999). Framing as a theory of media effects. Journal of Communication, 49(1), 103–122. https://doi.org/10.1111/j.1460-2466.1999.tb02784.x

Shoemaker, P. J., & Vos, T. P. (2009). Gatekeeping theory. Routledge.

Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Economics, 69(1), 99–118. https://doi.org/10.2307/1884852

Spence, M. (1973). Job market signaling. Quarterly Journal of Economics, 87(3), 355–374. https://doi.org/10.2307/1882010

Sperber, D., & Mercier, H. (2011). Why do humans reason? Arguments for an argumentative theory. Behavioral and Brain Sciences, 34(2), 57–74. https://doi.org/10.1017/S0140525X10000968

Tandoc, E. C., Thomas, R. J., & Bishop, L. (2018). What is (fake) news? Analyzing news values. Journalism & Mass Communication Quarterly, 95(2), 518–541. https://doi.org/10.1177/1077699018783028

Wood, T., & Porter, E. (2019). The elusive backfire effect: Mass attitudes' steadfast factual adherence. Political Behavior, 41(1), 135–163. https://doi.org/10.1007/s11109-018-9443-y

Zucker, L. G. (1986). Production of trust: Institutional sources of economic structure, 1840–1920. Research in Organizational Behavior, 8, 53–111.