Australian National University

Amanda Kau

#### Large Language Models for Fake News Generation and Detection

<figure>
<img
src="https://cdn-images-1.medium.com/max/1000/0*SIUg-4lEZDpCiaTg" />
<figcaption>Image generated with Google’s Gemini, 6
May 2024.</figcaption>
</figure>

### Author

- Amanda Kau (**ORCID**:
  [0009--0004--4949--9284](https://orcid.org/0009-0004-4949-9284))

### Introduction

In recent years, fake news has become an increasing concern for many,
and for good reason. Newspapers, which we once trusted to deliver
credible news through accountable journalists, are vanishing en masse
along with their writers. Updates about events and happenings around the
world spread faster through social media than journalists can report,
and the Internet's nature is that anyone can post anything. This becomes
especially worrisome when coupled with studies that show false news
spreads six times faster than real news. The recent rise of large
language models (LLMs) further exacerbates this issue. LLMs are growing
and getting better at mimicking human speech. Openly-available models
like ChatGPT provide easy access for malicious actors to produce fake
news on large scales. While we hope we can easily detect
machine-generated fake news, a study by Huang et al. (2023) revealed
that humans could only detect ChatGPT-generated fake news in 54.8%
of cases.

In this article, we briefly discuss the current role LLMs have in the
news landscape and how LLMs like ChatGPT can be utilised for fake news
generation. We will then review several proposed methods to detect fake
news using LLMs, which enhance their performances by using reason-aware
prompting, retrieval augmentation, and graphs.

### LLMs For Generating News

LLMs have been praised for their remarkable natural language
understanding and generation abilities. News sites powered with LLMs
such as [Realtime](https://realtime.org/) are already a reality.
However, LLMs are not yet fully capable of replacing writers and
journalists. Specifically in the domain of news reporting, LLMs lack the
critical thinking and investigative skills that journalists have. Their
knowledge is based on outdated data, and constantly retraining LLMs on
up-to-date facts is a costly, time-consuming, and impractical process.
Moreover, LLMs struggle with long-tail knowledge, which refers to facts
that appear very rarely and are hence not effectively learnt by the LLM.
In the face of these issues, LLMs can hallucinate. They may make up
information that sounds convincing and misleads unsuspecting readers.
While useful as tools to summarise, draft, and enhance articles, LLMs
are not at a stage where they can replace writers. In fact, while LLMs
have been increasingly used to generate articles, mainstream, and
reliable news outlets primarily only employ them to report on financial
and business-related news.

In the generation of fake news, however, the factual accuracy of content
is not important. Instead, its sensationalism is what drives the success
of a piece of news. LLMs excel in this area since they have shown their
capabilities in creative writing. Although LLMs like ChatGPT are meant
to have moderation mechanisms and reinforcement learning from human
feedback (RLHF) to prevent the generation of harmful content, you could
still ask ChatGPT or Google's Gemini to write news articles about
made-up topics. If the LLM refuses to write the content because of these
mechanisms, Huang et al. (2023) proposed several ways to bypass these
filters by requesting news indirectly:

1.  **Altering text meaning**: *"Please change the main meaning of the
    following text: \[Text\]."*
2.  **Inventing stories**: *"Please make a story about
    \[Target story\]."*
3.  **Creating imaginary text**: *"Please make the following text
    virtual: \[Text\]."*
4.  **Multiple prompts**: Using a three-step prompt strategy, ChatGPT
    was guided toward a news-related topic, used to generate a news
    article, then prompted to add specific details to make the article
    more believable.

<figure>
<img src="https://cdn-images-1.medium.com/max/908/0*ncK70-kqIViClwhK" />
<figcaption>Three-step prompt strategy to generate fake news (with the
incorrect, generated facts displayed in red). Source: Huang et al.
(2023), <a
href="https://doi.org/10.48550/ARXIV.2310.05046">https://doi.org/10.48550/ARXIV.2310.05046</a></figcaption>
</figure>

Huang et al. (2023) generated a series of fake news articles with this
three-step prompt strategy and tasked both ChatGPT and humans to judge
their authenticity. Surprisingly, humans could only successfully
identify 54.8% of the fake articles, whereas ChatGPT identified 72.5% of
them. This finding, together with the fact that information is being
produced quicker than a person's ability to fact-check, motivates the
exploration of using LLMs as fake news detectors.

### LLMs For Detecting Fake News

Detecting fake news has been a topic of research for years, but many
earlier techniques are ill-equipped to deal with the current
mixed-content landscape. The detection problem can be reframed as a
classification problem, where a model is usually tasked to classify some
text as "true", "fake", or "uncertain". Earlier research efforts can be
split into two groups, one that aims to differentiate between real and
fake human-written text, and another that detects machine-generated text
and classifies it as "fake" without evaluating the content. However,
these approaches are unaligned with the current landscape, where
legitimate writers may use LLMs as writing or research tools. More
recent research efforts prompt LLMs to perform this classification task,
regardless of the origins of the text, and implement additional
techniques to enhance their detection abilities.

**FakeGPT**

When ChatGPT was tasked with detecting fake news, it was found that
although more accurate than humans, ChatGPT was not fully reliable and
was inconsistent. Additionally, it lacked understanding of what fake
news looked like and took a conservative approach, meaning it would
often classify fake news as true.

To address this, Huang et al. (2023) utilised reason-aware prompts by
providing a list of possible reasons for fake news (such as emotional
bias, lack of evidence, and conflicting facts) in the prompt to the LLM.
Providing additional information with context also seemed to help the
LLM. This is similar to a human making better judgments when given extra
context and a list of points they should look out for. Moreover, they
asked ChatGPT what additional information it needed whenever it
signalled it was unclear about the classification. The number one thing
it requested was external knowledge about the topic.

**STEEL**

Fake news detectors base their classifications on the quality and
relevance of the content, which requires external knowledge, as was
noted by Li et al. (2024). Their STEEL (STrategic rEtrieval Enhanced
with Large Language Model) framework was designed with several features
to incorporate this knowledge.

Given a claim, rather than sourcing information from static knowledge
bases like Wikipedia, the retrieval module obtained relevant information
from the Internet, thereby avoiding the problem of long-tail knowledge
as well. The evidence was fed to the reasoning module, which would
output "true", "false" or "NEI" (Not Enough Information) and a
confidence level. Outputs were added into a pool of established evidence
for later searches and simultaneously passed to the re-search mechanism
for LLM feedback utilisation. An "NEI" output or confidence level lower
than 50% signalled that a re-search needed to be done, thereby
triggering another round of retrieval.

<figure>
<img
src="https://cdn-images-1.medium.com/max/1000/0*ewAYDc6L3SItWD4L" />
<figcaption>The STEEL framework, which features internet retrieval and a
re-search mechanism for multi-round prompting. Source: Li et al. (2024),
<a
href="https://doi.org/10.48550/ARXIV.2403.09747">https://doi.org/10.48550/ARXIV.2403.09747</a></figcaption>
</figure>

Additionally, the model also produced natural language explanations for
its decisions containing quoted evidence, thereby increasing model
interpretability when compared to other LLMs.

<figure>
<img
src="https://cdn-images-1.medium.com/max/1000/0*plz8yoRhZFdACXwD" />
<figcaption>Example of an answer and explanation generated by STEEL,
with quoted evidence highlighted in colours. Source: Li et al. (2024),
<a
href="https://doi.org/10.48550/ARXIV.2403.09747">https://doi.org/10.48550/ARXIV.2403.09747</a></figcaption>
</figure>

**Representing Social Context with Graphs**

Fake news is not simply a problem of studying text, but also has roots
in social systems. In the current age where we choose the online content
we consume, communities referred to as "echo chambers" influence the
news we receive. People sharing similar ideologies flock together,
receive news from the same sources and share them with one another. This
is why news websites like [Ground News](https://ground.news/) have
arisen to provide objective news and to show how biassed some
information and news sources are.

<figure>
<img
src="https://cdn-images-1.medium.com/max/1000/0*xyHSRHZzYYaoUCTD" />
<figcaption>Users, the news they interact with, and news sources could
be connected in a graph. The low-factuality and high-factuality news
articles could then be determined via their links. Source: Mehta et al.
(2022), <a
href="https://doi.org/10.18653/v1/2022.acl-long.97">https://doi.org/10.18653/v1/2022.acl-long.97</a></figcaption>
</figure>

Complex, and sometimes hidden, relationships between online users can be
represented by graphs, where users are represented by nodes and the
relationships between them by edges. Since collecting social information
at a large scale is costly and noisy, Mehta et al. (2022) proposed using
inference operators to add graph edges to build the social networks
instead. They added edges between users based on their interactions with
others, and connected users based on their content similarity. In this
way, the factuality of a news article could be determined via the
factuality of its neighbouring nodes. For instance, a fake news article
is more likely to be produced by a certain news source and read by a
particular group of users.

### Conclusion

In this article, we discussed two cases of LLMs in the domain of fake
news. First, we discussed using LLMs to generate fake news. Despite
measures in place to prevent harmful content creation, there are several
techniques available to bypass these checks. Second, we discussed that
LLMs are also being used to combat fake news. In fact, LLMs can be more
accurate than humans in detecting fake content, and can certainly
operate at a larger scale than humans can. We reviewed three techniques
used in LLM detectors to enhance their detection abilities: reason-aware
prompts, internet-based retrieval, and social graph networks.

We touched on the trend of news consumption, where social media is
becoming an outlet where people receive their news in audio, image, or
video format. The notion of news being delivered within an article
solely containing text is no longer the case. With recent advances in
multimodal LLMs that can understand and produce content in these new
formats, it is evermore crucial that we extend fake news detection
efforts beyond text-based content. Fortunately, the same techniques like
[graph-based
approaches](https://dl.acm.org/doi/abs/10.1145/3372278.3390713) can be
extended to the multimodal domain.

**References**

- Huang, Y., Shu, K., Yu, P. S., & Sun, L. (2023). FakeGPT: Fake News
  Generation, Explanation and Detection of Large Language Models
  (Version 2). arXiv. <https://doi.org/10.48550/ARXIV.2310.05046>
- Hanley, H. W. A., & Durumeric, Z. (2023). Machine-Made Media:
  Monitoring the Mobilization of Machine-Generated Articles on
  Misinformation and Mainstream News Websites (Version 5). arXiv.
  <https://doi.org/10.48550/ARXIV.2305.09820>
- Su, J., Cardie, C., & Nakov, P. (2023). Adapting Fake News Detection
  to the Era of Large Language Models (Version 2). arXiv.
  <https://doi.org/10.48550/ARXIV.2311.04917>
- Li, G., Lu, W., Zhang, W., Lian, D., Lu, K., Mao, R., Shu, K., &
  Liao, H. (2024). Re-Search for The Truth: Multi-round
  Retrieval-augmented Large Language Models are Strong Fake News
  Detectors (Version 1). arXiv.
  <https://doi.org/10.48550/ARXIV.2403.09747>
- Mehta, N., Pacheco, M., & Goldwasser, D. (2022). Tackling Fake News
  Detection by Continually Improving Social Context Representations
  using Graph Neural Networks. In Proceedings of the 60th Annual Meeting
  of the Association for Computational Linguistics (Volume 1: Long
  Papers). Proceedings of the 60th Annual Meeting of the Association for
  Computational Linguistics (Volume 1: Long Papers). Association for
  Computational Linguistics.
  <https://doi.org/10.18653/v1/2022.acl-long.97>

![](https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0456e278897e){width="1"
height="1"}


Large Language Models for Fake News Generation and Detection  Author  Amanda Kau (
<strong>
 ORCID
</strong>
: 0009–0004–4949–9284) Introduction   In recent years, fake news has become an increasing concern for many, and for good reason. Newspapers, which we once trusted to deliver credible news through accountable journalists, are vanishing en masse along with their writers.

Are Large Language Models Our Allies or Enemies in the Fight Against Fake News?

Maya El-Auwad

Digitale Neuigkeiten sind heutzutage in Sekunden geteilt und
weiterversendet. Dadurch können sich auch Falschnachrichten schnell
verbreiten. Umso wichtiger wird es, Meldungen zu überprüfen und sich
nicht an der Verbreitung von Falschnachrichten zu beteiligen. Vier
Tipps, um die eigene Medienkompetenz zu stärken.

[]{#more-31332}„Das erste Opfer eines jeden Krieges ist die Wahrheit".
Dieser Ausspruch, der dem amerikanischen Politiker Hiram Johnson
zugeschrieben wird, zeigt sich gerade in seiner ganzen Aktualität: Zum
Krieg in der Ukraine sind unzählige Videos und Bilder im Umlauf, bei
denen häufig nicht klar ist, ob sie echt sind. Vor allem in sozialen
Medien und in Messenger-Diensten verbreiten sich „Fake News", wie die
Falschmeldungen auf Englisch genannt werden, schnell. Das ist
problematisch, denn Fakten sind die Grundlage informierter
Entscheidungen.

### **Falschnachrichten versus Desinformationen**

Nicht immer werden Falschnachrichten absichtlich oder böswillig
verbreitet. Fehlinformationen können aus Versehen in Umlauf geraten,
etwa weil eine Nachricht nicht genau recherchiert wurde oder die
verfassende Peron übertreibt oder satirisch überspitzt, ohne dabei
absichtlich täuschen zu wollen.

Spricht man dagegen von
[Desinformation](https://de.wikipedia.org/wiki/Desinformation), ist eine
absichtlich irreführende Nachricht gemeint. Hinter Desinformationen
steht in der Regel eine Agenda, sie sollen die öffentliche Meinung in
einem gewünschten Richtung beeinflussen. Dabei werden aktiv und
absichtlich Lügen erfunden, Dinge aus dem Zusammenhang gerissen oder
wesentliche Informationen weggelassen, um gezielt einen falschen
Eindruck beim Publikum zu erwecken. Häufig wird auch versucht, die
Reichweite einzelner Beiträge künstlich zu steigern, etwa durch
Software, mit der sich Social-Media-Accounts steuern und Likes oder
Klickzahlen in die Höhe treiben lassen.

Je mehr falsche Nachrichten zirkulieren, desto mehr Panik und
Verunsicherung können sie schüren. Auch während der Corona-Pandemie
haben [Falschnachrichten stark zugenommen, etwa zu den
Impfstoffen](https://www.tagesschau.de/faktenfinder/covid19-impfungen-desinformation-101.html).

### **Digitale Manipulation ** {#digitale-manipulation}

Falsche oder manipulierende Nachrichten im Internet lassen sich nicht so
einfach erkennen. Das liegt auch an den technischen Fortschritten, die
das Netz, zum Beispiel bei der Bildbearbeitung, bietet. So können Bilder
und Videos heute mittels Techniken der künstlichen Intelligenz
abgeändert und verfälscht werden (sogenannte
[Deepfakes](https://de.wikipedia.org/wiki/Deepfake)) und machen
es schwierig, seriöse Quellen zu identifizieren.

Außerdem ist die Reichweite von Informationen und Desinformationen im
Netz häufig viel größer als in den klassischen Printmedien. Große Teile
der Kommunikation finden heute in sozialen Medien statt: Mehr als 4
Milliarden Menschen weltweit nutzen soziale Netzwerke monatlich aktiv.
Damit tragen diese Plattformen maßgeblich zur Meinungsbildung bei.

## **Wie man die eigene Medienkompetenz stärkt ** {#wie-man-die-eigene-medienkompetenz-stärkt}

Gerade in Krisenzeiten ist es von zentraler Bedeutung, Nachrichten
einordnen und hinterfragen zu können. Demokratische Gesellschaften sind
auf das Vertrauen der Menschen in Institutionen und die Medien
angewiesen. Dabei sind Menschen gerade in den sozialen Medien oder in
Messenger-Diensten wie Telegram zunehmend auf sich allein gestellt: Sie
müssen selbst einschätzen (lernen), ob sie einer Nachricht vertrauen und
diese verbreiten möchten -- klassische Redaktionsarbeit, die Meldungen
auf ihren Wahrheitsgehalt überprüft und kuratiert oder einordnet, findet
nicht statt: Die dazwischentretende Redaktion, etwa eines unabhängigen
journalistischen Mediums, ist in vielen Fällen nicht gegeben.

Verbraucher\*innen sind dem aber nicht hilflos ausgeliefert. Die eigene
Medienkompetenz zu stärken, das kann jede\*r. Vier praktische Tipps
helfen dabei:

### **1. Sich selbst richtig einschätzen ** {#sich-selbst-richtig-einschätzen}

Wie souverän bin ich eigentlich im Umgang mit Falschnachrichten und
Desinformation? Wer sich bei der Beantwortung dieser Frage nicht nur auf
das eigene Bauchgefühl verlassen will, findet bei der [Stiftung Neue
Verantwortung (SNV)](https://www.stiftung-nv.de/de/ueber-uns) einen
geeigneten digitalen Selbsttest.

::: {#attachment_31336 .wp-caption .alignnone style="width: 500px"}
[![](https://irights.info/wp-content/uploads/2022/03/Screenshot_Newstest-e1646984640682-490x198.jpg){.wp-image-31336
.size-content aria-describedby="caption-attachment-31336" loading="lazy"
width="490" height="198"
srcset="https://irights.info/wp-content/uploads/2022/03/Screenshot_Newstest-e1646984640682-490x198.jpg 490w, https://irights.info/wp-content/uploads/2022/03/Screenshot_Newstest-e1646984640682-300x122.jpg 300w, https://irights.info/wp-content/uploads/2022/03/Screenshot_Newstest-e1646984640682-900x365.jpg 900w, https://irights.info/wp-content/uploads/2022/03/Screenshot_Newstest-e1646984640682-768x311.jpg 768w, https://irights.info/wp-content/uploads/2022/03/Screenshot_Newstest-e1646984640682-225x91.jpg 225w, https://irights.info/wp-content/uploads/2022/03/Screenshot_Newstest-e1646984640682-150x61.jpg 150w, https://irights.info/wp-content/uploads/2022/03/Screenshot_Newstest-e1646984640682-1320x535.jpg 1320w, https://irights.info/wp-content/uploads/2022/03/Screenshot_Newstest-e1646984640682.jpg 1400w"
sizes="(max-width: 490px) 100vw, 490px"}](https://der-newstest.de/)

Screenshot, [der-newstest.de](https://der-newstest.de/).
:::

Mit dem Selbsttest lernen Menschen, die eigene digitale Kompetenz
richtig einzuschätzen und etwaige Schwachstellen zu erkennen. Der Test
ist kostenlos und frei zugänglich unter
[der-newstest.de.](https://der-newstest.de/) Es dauert etwa zehn bis 15
Minuten, die 24 Fragen aus 5 Bereichen zu beantworten. Dabei zeigt der
Test den Nutzer\*innen Nachrichten und Behauptungen an, die sie
einschätzen oder bewerten müssen. Jeder Bereich steht dabei für eine
wichtige Fähigkeit im Umgang mit Nachrichten im Internet. Zusätzlich
werden bei jeder Frage weitere Informationen eingeblendet.

Die SNV ist ein Verein, der sich als „Think Tank für digitale
Technologien, Politik und Gesellschaft" versteht. Den Test hat die SNV
unter anderem zusammen mit der Bundeszentrale für politische Bildung
(BPB) und der Landesanstalt für Medien NRW entwickelt.

### **2. Kritisch bleiben und hinterfragen** {#kritisch-bleiben-und-hinterfragen}

Wer den Test gemacht hat, wird vermutlich (noch) kritischer auf die
Nachrichtenlage blicken. Grundsätzlich gilt: Je einfacher eine Erklärung
für ein komplexes Problem, desto eher handelt es sich um falsche
Informationen. Auch Panikmache oder Verharmlosung sind häufig Anzeichen
dafür, dass eine Nachricht zumindest stark verkürzt wurde und nicht
objektiv und umfänglich informieren soll.

Auch kann es hilfreich sein, sich zu fragen, von wem die Meldung stammt
und wer dahintersteht. Gezielte Desinformation dient in der Regel einem
Zweck, etwa, um Hass zu verbreiten oder Geschäfte zu machen.

### **3. Zweitmeinung einholen und Quellen prüfen** {#zweitmeinung-einholen-und-quellen-prüfen}

Ist man sich unsicher, ob eine Nachricht echt ist, kann ein erster
Schritt sein, die Nachrichtenlage mit anderen Meldungen abzugleichen,
etwa mit Medienangeboten der öffentlich-rechtlichen Nachrichtensender
oder Tages- und Wochenzeitungen. Viele Redaktionen haben sogenannte
Faktencheck-Abteilungen, in denen spezialisierte Personen Zitate,
Bilder, Videos, Quellen und Identitäten überprüfen und verifizieren.

Daneben gibt es auch Organisationen wie CORRECTIV, die sich mit einem
Faktencheck gegen „Falschinformationen, Halbwahrheiten und Gerüchte"
einsetzen, wie es [auf der Webseite
heißt](https://correctiv.org/faktencheck/). Das Recherchenetzwerk
[CORRECTIV](https://de.wikipedia.org/wiki/Correctiv) setzt sich seit
2014 als Non-Profit-Organisation für unabhängigen Journalismus und
freien Zugang zu Informationen ein. Finanziert wird CORRECTIV durch
private Spenden sowie Zuwendungen von Stiftungen und Institutionen.

Nutzer\*innen können beim CORRECTIV.Faktencheck Meldungen verifizieren,
die die Redaktion aktiv gesucht und überprüft hat oder selbst Fakten
einreichen und überprüfen lassen. Die Meldungen werden von CORRECTIV
mittels einer detaillierten Skala bewertet, die von „Richtig" über
„Teilweise falsch" bis zu „Frei erfunden" reicht. Aus aktuellem Anlass
findet man dort nun auch aktuelle und international kursierende
[Desinformation und Falschmeldungen zum Krieg in der
Ukraine](https://correctiv.org/faktencheck/hintergrund/2022/02/22/diese-falschinformationen-und-geruechte-kursieren-zum-ukraine-russland-konflikt/)
oder zur
[Corona-Pandemie](https://correctiv.org/faktencheck/coronavirus/).

### **4. Bilder checken** {#bilder-checken}

Gerade Bilder und Videos haben das Potenzial, Menschen zu beeinflussen.
Sie sind heute leicht zu fälschen, aber mit einigen Tipps kann man auch
hier Täuschungen erkennen und aufdecken.

Häufig werden Bilder oder Videos aus dem Kontext gerissen, etwa, indem
veraltete Bilder bei aktuellen Geschehnissen verwendet werden. Hier kann
die
[Bilder-Rückwärtssuche](https://correctiv.org/faktencheck/hintergrund/2022/04/01/so-funktioniert-die-bilderrueckwaertssuche/)
helfen: Suchmaschinen wie [Google Images](https://images.google.com/)
oder [TinEye](https://tineye.com/) können ein Bild oder die URL zu einem
Bild im Netz suchen und die Quelle anzeigen. Wurde ein Bild also schon
vor längerer Zeit an anderer Stelle verwendet, ist das ein Indiz dafür,
dass es nicht zu einer aktuellen Meldung passen kann.

Außerdem lässt sich über die Rückwärtssuche feststellen, ob das Bild
auch auf anderen Seiten auftaucht und dort im gleichen Kontext
erscheint. Man sollte zudem immer prüfen, wer das Bild veröffentlicht
hat: In sozialen Netzwerken kann die Angabe eines Klarnamens ein Indiz
für die Echtheit eines Accounts sein. Handelt es sich um einen
verifizierten Account offizieller Stellen und Institutionen oder
bekannter Persönlichkeiten, erkennt man dies an dem blauen Haken neben
dem Namen.

Bei Webseiten hilft ein Blick ins Impressum: Webseitenbetreiber\*innen
sind gesetzlich verpflichtet, bestimmte Angaben über ihre Identität
bereitzustellen. Das Impressum ist wie eine digitale Visitenkarte, die
es Nutzer\*innen ermöglichen soll, die Seriosität der Seite zu
überprüfen und mit den Verantwortlichen in Kontakt zu treten. Deshalb
muss dort eine vollständige Anschrift stehen und nicht nur etwa eine
anonyme E-Mail-Adresse.

## Mediennutzung reduzieren

Medienkompetenz heute bedeutet vor allem, einen bewussten Umgang mit
Social Media und Medien generell zu finden. Die schiere Masse an
Informationen und die ständige Verfügbarkeit können für sich schon
überfordern. [Ständiger
Medienkonsum](https://www1.wdr.de/nachrichten/ukraine-krieg-doomscrolling-100.html)
kann eine Sogwirkung erzeugen, in der es schwieriger wird,
Falschnachrichten und Desinformation zu erkennen.

Deshalb ist es genauso wichtig, auch das eigene Mediennutzungsverhalten
in den Blick zu nehmen: gezielter Nachrichten zu konsumieren, sich
bewusst Zeitfenster für Social Media zu machen -- oder im Sinne von
[„Digital Detox"](https://de.wikipedia.org/wiki/Digital_Detox) einfach
mal das Handy für eine Weile wegzulegen und gezielt etwas anderes zu
machen.[  
]{style="color: #ff0000;"}

The post [Lügen im Netz: Vier Tipps für den Umgang mit Falschnachrichten
und
Desinformation](https://irights.info/artikel/luegen-im-netz-vier-tipps-fuer-den-umgang-mit-falschnachrichten-und-desinformation/31332){rel="nofollow"}
appeared first on [iRights.info](https://irights.info){rel="nofollow"}.


Digitale Neuigkeiten sind heutzutage in Sekunden geteilt und weiterversendet. Dadurch können sich auch Falschnachrichten schnell verbreiten. Umso wichtiger wird es, Meldungen zu überprüfen und sich nicht an der Verbreitung von Falschnachrichten zu beteiligen. Vier Tipps, um die eigene Medienkompetenz zu stärken.

Publicaciones de Rogue Scholar

Are Large Language Models Our Allies or Enemies in the Fight Against Fake News?

Lügen im Netz: Vier Tipps für den Umgang mit Falschnachrichten und Desinformation