Fact-checking: Modelos Colectivos vs. Modelos Tradicionales y su Papel en la Construcción de la Verdad
Resumen
Este Trabajo de Fin de Grado analiza de forma comparativa dos modelos de verificación de hechos en el ecosistema digital: el fact-checking tradicional, llevado a cabo por medios y organizaciones profesionales, y el fact-checking colectivo, realizado por comunidades de usuarios en plataformas como X (antiguo Twitter). A partir de un enfoque teórico y cualitativo, el estudio explora cómo estos modelos operan, qué dinámicas de poder implican y cómo influyen en la construcción de la verdad.
Se examinan cuatro dimensiones clave: las dinámicas de poder, la autoridad percibida y la confianza que generan, la probabilidad de error o manipulación y los sesgos que inducen en el público. El análisis se apoya en las teorías del gatekeeping (White, Shoemaker y Vos), la inteligencia colectiva (Pierre Lévy) y la sociedad red (Manuel Castells), proporcionando un marco conceptual sólido para comprender los retos y oportunidades que presentan ambos enfoques.
Los resultados muestran que ninguno de los modelos es intrínsecamente superior, ya que ambos poseen fortalezas y limitaciones. El modelo tradicional garantiza mayor rigor, pero está expuesto a presiones externas; el modelo colectivo es más participativo y dinámico, aunque vulnerable a manipulaciones y sesgos algorítmicos. Además, ambos modelos están mediados por conmutadores que filtran qué información se valida y cómo se distribuye.
Este trabajo subraya que la construcción de la verdad es un proceso complejo, influido por factores sociales, tecnológicos y cognitivos. Frente al auge de la desinformación y el avance de la inteligencia artificial, el estudio destaca la necesidad de repensar y fortalecer los mecanismos de verificación para mejorar la calidad del debate público. This thesis presents a comparative analysis of two fact-checking models within the digital information ecosystem: traditional fact-checking, conducted by professional media outlets and organizations, and collective fact-checking, carried out by user communities on platforms such as X (formerly Twitter). Through a theoretical and qualitative approach, the study explores how these models function, the power dynamics they entail, and their role in shaping public perceptions of truth.
The analysis focuses on four key dimensions: power structures, perceived authority and trust, likelihood of error or manipulation, and the biases each model can generate in audiences. The theoretical framework combines gatekeeping theory (White, Shoemaker & Vos), collective intelligence (Pierre Lévy), and the network society concept (Manuel Castells), offering solid foundations to understand the challenges and implications of each model.
The findings reveal that neither model is inherently superior. The traditional model ensures methodological rigor but is susceptible to external pressures. Meanwhile, the collective model promotes participation and adaptability, though it is more vulnerable to algorithmic and ideological biases. Both models are shaped by information “switchers” that determine what content is validated and how it is distributed.
Ultimately, the research emphasizes that truth construction is a complex process influenced by social, technological, and cognitive factors. In an age marked by disinformation and the rise of artificial intelligence, the study advocates for a critical reflection on verification processes to strengthen society's ability to navigate an increasingly saturated and polarized media landscape.
Trabajo Fin de Grado
Fact-checking: Modelos Colectivos vs. Modelos Tradicionales y su Papel en la Construcción de la VerdadTitulación / Programa
Grado en Relaciones Internacionales y Grado en Comunicación Internacional - Bachelor in Global CommunicationMaterias/ categorías / ODS
KGCPalabras Clave
verificación de hechos ; construcción de la verdad ; gatekeeping ; inteligencia colectiva ; sesgos informativos ; medios digitales ; fact-checkingfact-checking ; construction of truth ; gatekeeping ; collective intelligence ; information bias ; digital media