Een beeldenbijsluiter kan fouten voorkomen en publiek binden.
Deze video klopt dus niet. Dat wil zeggen: het is wel een bom die afgaat in een metro, maar niet in Brussel (maar Moskou) en niet op 22 maart 2016 (maar in 2011). Vervelend, want de beelden verspreidden zich razendsnel over internet, terwijl officials nog helemaal geen bewakingsbeelden hadden vrijgegeven.
Jasper Jackson (The Guardian) begreep ook wel waarom een aantal media erin waren gestonken: “The grainy CCTV clips were turned from colour to black and white, flipped horizontally, relabelled and posted as if they had emerged fresh from the day’s events.” Fout nieuws gaat hard op internet en lang niet alle nieuwsconsumenten hebben de noodzakelijke skills om eens rustig uit te zoeken of iets klopt. En de kennis van degene die die skills wel hebben, blijft veelal onbenut door redacties die uiteindelijk onder druk en stress van brekend nieuws fout nieuws doorgeven.
Dat moet anders, bijvoorbeeld door een beeldenbijsluiter waarin 1) de status van beelden is vastgesteld (van onbetrouwbaar tot geverifieerd) en 2) waarbij het publiek eenvoudig en efficiënt kan helpen (crowdsourcing). Zo kunnen nieuwsconsumenten snel op de hoogte blijven van nieuwe ontwikkelingen, kunnen nieuwe ontwikkelingen snel op waarde worden geschat en selecteert fout nieuws zich gedurende een verhaal uit. De vraag luidt nu: hoe?
[inlinetweet prefix=”” tweeter=”” suffix=””]De beeldbijsluiter is een indicator van betrouwbaarheid en een uitnodiging voor lezers om te onderzoeken[/inlinetweet]. In een eerste gedachte-experiment bestaat de bijsluiter uit vier variabelen.
Alle vier de variabelen moeten zijn ingevuld om van betrouwbaar beeld te kunnen spreken. Het bepalen van de waarden van die varaibelen kan door redacteuren gebeuren (zoals nu ook al gebeurt) of door het publiek worden gedaan (zoals nog veel te weinig gebeurt). Beelden komen binnen zonder enige vorm van betrouwbaarheid en winnen door redactioneel onderzoek of crowdsourcing aan betrouwbaarheid. Op de site wordt keurig bijgehouden in welke fase van betrouwbaarheid een beeld zit.
Mijn voorstel is om vier variabelen te gebruiken: 1) factuals (datum, locatie video); 2) context (hoe wordt het beeld gepresenteerd – welke platforms of andere media plaatsen dit bericht); 3) bron (wie heeft het beeld gemaakt) en ten slotte 4) interpretatiespreiding (hoeveel verschillende antwoorden op de vorige drie vragen zijn er gegeven in het analyseren van deze beelden).
De eerste drie variabelen worden al gebruikt in de beoordleing van beelden, de vierde variabele (initerpretatiespreiding) is nieuw en behoeft korte uitleg. [inlinetweet prefix=”” tweeter=”” suffix=””]De variabele drukt de mate uit waarin betrokkenen van mening verschillen over de betrouwbaarheid van een beeld[/inlinetweet](uitgedrukt in factuals, context en bron). Hoe meer verschillen tussen degene die de beelden interpreteren, hoe hoger deze interpretatiespreiding, hoe minder betrouwbaar de beelden.
De variabele discrimineert niet naar ervaring of professionaliteit: de mening van een willekeurige bezoeker van de site en die van een professionele cameraman of politie-agent (mensen met veel ervaring) wegen even zwaar. Dat kan worden opgelost door een pool betrouwbare watchers samen te stellen die benaderd kunnen worden om actuele beelden te analyseren. Zo kan de variabele worden ‘geladen’ met ervaring en uiteindelijk wel worden gewogen naar ervaring, kennis en kunde.