Lancio Progetto: Classificazione AI Slop e Pattern di Engagement

IA Generativa e Media — Settimana 4

Fabio Giglietto

DISCUI · Università degli Studi di Urbino Carlo Bo

17 marzo 2026

Roadmap della sessione

1. Il fenomeno AI slop — ricapitolazione dal seminario di ieri
2. Briefing del progetto — obiettivi, domanda di ricerca, dataset
3. Dai seminari al progetto — la pipeline e il fenomeno che già conoscete
4. Esplorazione del dataset — struttura CSV, immagini, metriche di engagement
5. Formazione dei gruppi — composizione, ruoli e procedura
6. Prossimi passi — prompt design e classificazione pilota domani

Oggi lanciamo il progetto di gruppo che occuperà le prossime 3 settimane. Ieri il seminario di Massimo Terenzi ha introdotto il fenomeno dell’AI slop e la ricerca sulla viralità sintetica nelle comunità Facebook italiane. Oggi definiamo obiettivi, metodologia e organizzazione. Domani iniziamo a progettare i prompt e la classificazione pilota. Il tono della sessione è operativo: meno teoria, più pianificazione. Punto fondamentale: gli studenti hanno già praticato la pipeline LLMs-in-the-loop nel seminario Paroni — non serve rispiegare la metodologia da zero, basta mappare ciò che conoscono sul nuovo dominio. Cambiamento importante rispetto alla versione iniziale del corso: il dataset è pre-curato dal docente, non devono raccogliere dati autonomamente.

Il fenomeno AI Slop

Sezione 1: breve ricapitolazione del fenomeno AI slop per contestualizzare il progetto. Si basa sul seminario di Terenzi di ieri.

Cos’è l’AI slop

AI slop: contenuti generati dall’IA diffusi sui social media come engagement bait, senza pretesa di autenticità ma con impatto degradante sull’ecosistema informativo (Terenzi & Giglietto, 2025).

• Immagini e video sintetici con stile riconoscibile (iperrealismo lucido, dita imprecise)
• Distribuite in pagine e gruppi Facebook per massimizzare le interazioni
• Sfruttano leve emotive (nostalgia, compassione, indignazione)
• Spesso amplificate dagli algoritmi di raccomandazione

Ripresa dal seminario di Terenzi. L’AI slop è diverso dal deepfake: non intende ingannare su chi ha detto/fatto cosa, ma degrada la qualità dell’ecosistema informativo inondandolo di contenuti sintetici. Le immagini tipiche: bambini in situazioni commoventi, anziani sorridenti, scene impossibili che generano engagement attraverso like, commenti e condivisioni. L’algoritmo di Facebook amplifica questi contenuti perché generano interazioni — anche se le interazioni sono spesso critiche. Collegamento con i framework delle settimane 1-2: l’AI slop opera al livello 1 della realtà sintetica di Ferrara (2026) e sfrutta i meccanismi del sistema mediale ibrido di Chadwick (2011).

Il progetto nel quadro teorico del corso

Settimane 1-2 (teoria)	Settimane 4-6 (progetto)
Sistema mediale ibrido (Chadwick, 2011)	L’AI slop come fenomeno ibrido
Catena del valore giornalistica (Mattis & Vreese, 2025)	Classificazione dei contenuti IA generati
Deepfake e incertezza (Vaccari & Chadwick, 2020)	Quali categorie di immagini generano più engagement?
Paradosso dell’IA generativa (Ferrara, 2026)	Come l’engagement varia per tipo di contenuto?

Slide di collegamento tra la parte teorica (settimane 1-2) e il progetto. Gli studenti devono capire che il progetto non è un esercizio isolato ma l’applicazione empirica dei framework studiati. Il sistema mediale ibrido spiega perché l’AI slop si diffonde (interazione tra piattaforme, algoritmi, utenti). I rischi di Mattis spiegano il contesto (degradamento della qualità informativa). Vaccari spiega il meccanismo (incertezza più che inganno). Ferrara spiega l’implicazione macro (erosione della fiducia). Il progetto testa queste teorie analizzando sistematicamente le immagini e i pattern di engagement.

Il focus della ricerca

Domande di ricerca: Quali contenuti sono AI slop e quali no? Quali sotto-categorie esistono? Come si distribuisce l’engagement tra le categorie?

Cosa sappiamo

• L’AI slop è diffuso (Terenzi & Giglietto, 2025)
• Gli algoritmi lo amplificano
• Genera engagement elevato

Cosa non sappiamo

• Quale proporzione dei post è AI slop
• Quali categorie di AI slop esistono
• Se le categorie predicono l’engagement

Il progetto si concentra sulla classificazione delle immagini AI-generated e sull’analisi dei pattern di engagement — il lato meno studiato del fenomeno AI slop. La ricerca di Terenzi & Giglietto (2025) ha mappato la produzione e diffusione; il nostro contributo sarà classificare sistematicamente le immagini e analizzare come le diverse categorie si associano a livelli diversi di engagement. Nota importante: non abbiamo accesso ai singoli commenti (solo ai conteggi aggregati), quindi il focus è sulle metriche quantitative di engagement, non sull’analisi testuale dei commenti.

Dai Seminari al Progetto

Sezione 2: collegamento diretto con le due esperienze chiave delle settimane precedenti. Il seminario Paroni ha fornito la metodologia (pipeline LLMs-in-the-loop); il seminario Terenzi ha fornito il dominio di ricerca (AI slop e viralità sintetica). Qui mappiamo entrambi sul progetto.

Due seminari, un progetto

Il progetto unisce la metodologia del seminario Paroni e il dominio del seminario Terenzi:

Seminario Paroni (metodologia)	Seminario Terenzi (dominio)	Il vostro progetto
Pipeline LLMs-in-the-loop (Marino & Giglietto, 2024)	AI slop nelle comunità Facebook italiane (Terenzi & Giglietto, 2025)	Pipeline applicata all’AI slop
Classificazione binaria (politico / non politico)	Identificazione di contenuti sintetici	Step 1: classificazione binaria AI slop / non AI slop
Clustering tematico con Gemini	Tattiche di manipolazione affettiva	Step 2: classificazione multi-categoria (solo AI slop)
Validazione (4 criteri, ✓/⚠/✗)	Amplificazione algoritmica	Validazione con intercoder reliability + analisi engagement

Slide chiave: il progetto non nasce dal nulla, ma dalla convergenza di due seminari. Paroni ha dato la cassetta degli attrezzi metodologica — gli studenti hanno praticato classificazione binaria, clustering, labeling e validazione con 20 headline. Terenzi ha dato il fenomeno di ricerca — AI slop come engagement bait nelle comunità Facebook italiane, con le sue specificità: immagini sintetiche, leve emotive, amplificazione algoritmica. Il progetto combina i due: applica la pipeline LLMs-in-the-loop al dominio dell’AI slop. La differenza chiave: ora la classificazione è multi-categoria e multimodale (immagini, non solo testo), e c’è un passo analitico aggiuntivo — collegare le categorie alle metriche di engagement.

Cosa sapete già dai seminari

Dal seminario Paroni

• Costruire una classificazione binaria
• Raffinare un prompt quando Gemini non concorda
• Validare le etichette (4 criteri)
• Differenza chatbot vs. API
• Il paradosso dell’esperto (Marino & Giglietto, 2024)

Dal seminario Terenzi

• Cos’è l’AI slop e come si riconosce (Terenzi & Giglietto, 2025)
• Tattiche di manipolazione affettiva
• Ruolo dell’amplificazione algoritmica
• Viralità sintetica nelle comunità italiane
• Dall’AI slop alla viralità strategica

La colonna sinistra riconosce le competenze metodologiche dal seminario Paroni: gli studenti sanno usare la pipeline. La colonna destra riconosce le conoscenze di dominio dal seminario Terenzi: gli studenti conoscono il fenomeno che studieranno. Questo è motivante e permette di non ripetere contenuti. Il progetto aggiunge ciò che manca da entrambi i seminari: la classificazione sistematica delle immagini e l’analisi dei pattern di engagement.

Da imparare nel progetto

Il contributo originale: identificare i contenuti AI slop, classificarli in categorie e analizzare come queste predicono l’engagement.

• Classificazione binaria AI slop / non AI slop (come politico / non politico nel seminario Paroni)
• Sviluppare uno schema di classificazione tematica per i contenuti AI slop
• Usare Gemini in modalità multimodale (analisi immagini e video)
• Calcolare l’intercoder reliability (Cohen’s kappa)
• Collegare categorie a metriche di engagement e scrivere un relazione (IMRaD)

Questa slide identifica cosa è genuinamente nuovo nel progetto rispetto a ciò che gli studenti hanno già fatto. La classificazione multi-categoria di immagini è l’oggetto principale. Il passaggio da 20 headline a 300-400 immagini richiede strategie diverse: batch processing, gestione della consistenza, documentazione del codebook. L’uso multimodale di Gemini è una novità: finora hanno classificato testo, ora classificheranno immagini. L’analisi dell’engagement aggiunge un passo quantitativo: le categorie validate diventano la variabile indipendente per spiegare la variazione nelle metriche di engagement (reazioni, condivisioni, visualizzazioni).

Il Dataset

Sezione 3: presentazione del dataset pre-curato fornito dal docente. Gli studenti non raccolgono dati — li ricevono pronti.

Un dataset pronto per l’analisi

Riceverete un dataset pre-curato tratto dalla ricerca Terenzi & Giglietto (2025). Il dataset contiene post da pagine note per pubblicare AI slop, ma non tutti i post sono AI slop.

Componente	Dettaglio
Post	420 da 92 pagine Facebook italiane
Contenuti multimediali	428 file (421 immagini + 7 video)
Metriche di engagement	Reazioni, condivisioni, visualizzazioni, n. commenti
File naming	NNN_postid_0.jpg — NNN corrisponde alla riga nel CSV

Il dataset proviene dalla ricerca di Terenzi & Giglietto (2025) e include post raccolti tramite Meta Content Library da 92 pagine Facebook italiane note per pubblicare AI slop. Il dataset contiene 420 post con 428 file multimediali (421 immagini JPG e 7 video MP4). Punto cruciale: non tutti i post sono AI slop — alcune pagine pubblicano anche contenuti autentici, meme non-IA, o contenuti ambigui. Il primo compito sarà una classificazione binaria (AI slop / non AI slop), analoga alla classificazione politico/non politico del seminario Paroni. I file multimediali sono nominati con un numero progressivo che corrisponde alla riga nel CSV (es. 001_postid_0.jpg → riga 1), facilitando il collegamento tra foglio e immagine. Tutti i gruppi lavorano sullo stesso dataset. Engagement mediano: 206 reazioni, 86 commenti, 4 condivisioni, 12.391 visualizzazioni.

Cosa NON è disponibile

• Testo dei singoli commenti: disponibile solo il conteggio aggregato
• Contesto originale su Facebook: gli URL interni di MCL non sono accessibili
• Accesso diretto a Meta Content Library: richiede un account ricercatore verificato

Queste limitazioni vanno discusse nel relazione (sezione Discussione/Limitazioni).

È importante essere trasparenti sulle limitazioni fin dall’inizio. Gli studenti non possono analizzare il contenuto testuale dei commenti — solo quanti ce ne sono. Non possono vedere il post nel suo contesto originale su Facebook. Queste limitazioni devono essere riportate nel relazione finale: sono limitazioni del metodo, non errori. Nella sezione Discussione del relazione, i gruppi discuteranno come queste limitazioni influenzano l’interpretazione dei risultati. Ad esempio: un alto numero di commenti potrebbe indicare sia apprezzamento sia critica, senza poter distinguere.

Tutti sulle stesse immagini

Design inter-gruppo

Tutti i gruppi classificano gli stessi 420 post, ma ciascuno sviluppa il proprio schema di classificazione.

Vantaggi:

• Confronto inter-gruppo su dati identici
• Schemi diversi rivelano pattern complementari
• La sintesi finale (13 Aprile) diventa una meta-analisi

Questo è un aspetto chiave del design del progetto. Nella ricerca tradizionale, ogni gruppo raccoglierebbe dati diversi e il confronto sarebbe impossibile. Qui tutti analizzano le stesse immagini: un gruppo potrebbe classificare per soggetto visivo (bambini, animali, paesaggi), un altro per strategia emotiva (nostalgia, tenerezza, paura), un altro per tecnica generativa (fotorealistico, stilizzato, ibrido). La sessione del 13 aprile confronterà cosa ciascuna lente analitica rivela — e cosa nasconde. Questo è un esercizio epistemologico potente: le scelte analitiche determinano cosa si può vedere nei dati.

Angoli di classificazione tematica (Step 2)

Dopo aver identificato i contenuti AI slop (Step 1), ogni gruppo sviluppa il proprio schema tematico:

Angolo	Categorie possibili
Per soggetto visivo	Bambini, animali, paesaggi, religioso, patriottico
Per strategia emotiva	Nostalgia, tenerezza, meraviglia, paura, umorismo
Per tecnica generativa	Fotorealistico, stilizzato, ibrido foto-IA, artefatti evidenti
Per intento apparente	Engagement bait, promozione, messaggio politico, comunità

Questi sono solo esempi — i gruppi sono liberi di combinare dimensioni o inventarne di nuove. L’aspetto cruciale è l’operazionalizzazione: come con le 20 headline nel seminario Paroni, devono definire con precisione cosa significa ogni categoria. Ad esempio, “nostalgia” è un concetto ampio: va specificato (immagini che rappresentano un passato idealizzato? scene familiari? oggetti vintage?). Ogni categoria del codebook deve avere: nome, definizione, esempi positivi, esempi negativi, regole per i casi ambigui. Questo è esattamente il processo praticato nel workshop Paroni, ora applicato alle immagini.

Il progetto in sintesi

Componente	Dettaglio
Tema	Identificazione e classificazione di AI slop + pattern di engagement
Dati	420 post (428 file multimediali) + CSV con metriche (forniti dal docente)
Strumenti	Google Gemini (multimodale), NotebookLM, fogli di calcolo
Metodologia	LLMs-in-the-loop (Marino & Giglietto, 2024)
Output	Relazione di ricerca (IMRaD, 4000–6000 parole) — 75% del voto, consegna 2 sett. prima dell’appello

Panoramica sintetica del progetto. Il relazione finale avrà struttura IMRaD (Introduzione, Metodo, Risultati e Discussione). Il peso è significativo: 75% della valutazione. I gruppi saranno composti da massimo 6 studenti. Ogni gruppo sceglierà un angolo di classificazione specifico e analizzerà se le categorie validate predicono livelli diversi di engagement. Le prossime 3 settimane sono dedicate al progetto: classificazione pilota (domani), classificazione completa e validazione (settimana 5), scrittura (settimana 6). Nota: gli strumenti sono Google Gemini per la classificazione multimodale delle immagini, NotebookLM per la letteratura, e Google Sheets per il dataset.

Formazione dei Gruppi

Sezione 4: operativa. Formazione dei gruppi, ruoli e procedura di registrazione.

Composizione e ruoli

• Massimo 6 studenti per gruppo — indicare un responsabile
• Ogni gruppo riceve un identificativo numerico
• I ruoli sono flessibili — tutti partecipano a tutte le fasi

Ruolo	Responsabilità principale
Coordinatore	Timeline, distribuzione compiti
Analista IA	Prompt design, interazione con Gemini
Validatore	Codifica umana, calcolo kappa
Analista dati	Gestione CSV, analisi engagement
Redattore	Struttura relazione, scrittura

I ruoli non sono rigidi ma identificano chi ha la responsabilità primaria di coordinare ciascuna fase del progetto. L’analista IA si occupa della progettazione dei prompt per Gemini e della classificazione automatizzata. Il validatore coordina la codifica umana e il calcolo dell’intercoder reliability. L’analista dati gestisce il CSV e analizza i pattern di engagement. Il redattore coordina la scrittura del relazione. Ma tutti contribuiscono a tutto: nella fase di validazione, ad esempio, ogni membro del gruppo codifica indipendentemente un campione di 50 immagini.

Procedura di registrazione

Da fare oggi:

1. Formate il gruppo e scegliete il responsabile
2. Il responsabile posta nel forum su Blended i nomi dei membri, indicando il responsabile
3. Il responsabile copia il modello di relazione e lo condivide:
   • con i membri del gruppo in modalità modifica
   • con fabio.giglietto@uniurb.it e bruna.almeidaparoni@uniurb.it in modalità commento

Fase operativa: formazione dei gruppi. Dare 10-15 minuti per l’autoformazione. Se necessario, il docente interviene per bilanciare i gruppi. I gruppi hanno massimo 6 studenti. Ogni gruppo indica un responsabile che sarà il punto di contatto organizzativo. Il responsabile ha tre compiti immediati: (1) postare nel forum su Blended i nomi dei membri indicando chi è il responsabile — il docente assegnerà poi un identificativo numerico, (2) copiare il modello di relazione disponibile come Google Doc, (3) condividere la copia con i membri in modalità modifica e con il docente (fabio.giglietto@uniurb.it) e Bruna Paroni (bruna.almeidaparoni@uniurb.it) in modalità commento. Il documento condiviso sarà usato per la stesura progressiva del relazione nelle settimane successive.

Il modello di relazione

Il modello di relazione fornisce la struttura completa del relazione:

Sezione	Contenuto
Introduzione	Dal fenomeno AI slop alla vostra domanda di ricerca
Analisi della letteratura	Contenuti AI, piattaforme, LLMs-in-the-loop
Metodologia	Dataset, schema di classificazione, prompt, validazione, analisi engagement
Risultati	Distribuzione categorie, kappa, matrice di confusione, pattern di engagement
Discussione	Interpretazione, confronto IA vs. umano, limiti, implicazioni
Appendice	Prompt completo per Gemini, codebook

Presentare il modello di relazione. Il documento Google Docs contiene istruzioni dettagliate per ogni sezione, con suggerimenti specifici (indicati da frecce ➤) su cosa includere e come strutturare il contenuto. Include anche una dichiarazione obbligatoria sull’uso dell’IA. Gli studenti dovrebbero leggerlo per intero prima di iniziare a lavorare — non è un template da riempire meccanicamente, ma una guida ragionata alla struttura IMRaD adattata al progetto. La sezione Metodologia è la più importante: deve essere sufficientemente dettagliata da permettere la replicabilità. Il prompt completo va in Appendice A, il codebook completo in Appendice B.

Sviluppare la domanda di ricerca

Esercizio di gruppo (30 minuti)

1. Esplorate il dataset: sfogliate i contenuti e il CSV con le metriche
2. Scegliete un angolo di classificazione e definite 3-5 categorie
3. Formulate ipotesi preliminari: quali categorie generano più engagement?
4. Presentate brevemente alla classe (2 minuti per gruppo)

Esercizio fondamentale per avviare il progetto. Poiché gli studenti hanno già praticato la pipeline nel seminario Paroni, possono pensare non solo a COSA classificare ma a COME operazionalizzare le categorie. L’esperienza con le 20 headline li ha preparati a operazionalizzare concetti ambigui (ricordare la discussione su cosa sia “politico” — ora devono decidere cosa sia “contenuto nostalgico” o “fotorealistico” in un’immagine). Dare 30 minuti totali: 15 per esplorare il dataset e discutere, 15 per definire lo schema. Poi presentazione rapida di ogni gruppo (2 minuti ciascuno). L’esplorazione iniziale delle immagini è cruciale: devono vedere cosa c’è prima di decidere come classificarlo.

Timeline del progetto

Settimana	Data	Attività
4	Mar 17	Formazione gruppi, domanda di ricerca
4	Mer 18	Lab: prompt design e classificazione pilota
5	Mar 24	Lab: classificazione completa (420 post)
5	Mer 25	Workshop: validazione umana vs IA
6	Lun 30	Consultazione gruppi + analisi engagement
6	Mar 31	Workshop: scrittura della relazione
6	Mer 1 Apr	Lavoro di gruppo in aula
7	Lun 13 Apr	Sintesi inter-gruppo e consultazioni finali
—	2 sett. prima appello	Consegna relazione (4000–6000 parole)

Timeline completa del progetto. Domani è la sessione più importante per la preparazione: i gruppi progettano e testano i loro prompt di classificazione, creano il codebook e classificano un campione pilota di 30-50 immagini. Martedì prossimo si scala: classificazione completa delle 300-400 immagini con Gemini. Mercoledì la validazione umana con calcolo del kappa. Lunedì 30 la consultazione con il docente e l’analisi dei pattern di engagement. La settimana 6 è dedicata alla scrittura. Dopo la pausa pasquale, lunedì 13 aprile la sintesi finale. Sottolineare che il ritmo è serrato: ogni sessione ha un obiettivo specifico e il lavoro deve procedere tra le sessioni.

La pipeline nel progetto

Sezione riassuntiva: come si mappa la pipeline LLMs-in-the-loop dal seminario Paroni al progetto attuale.

Dalla pipeline Paroni al progetto

Fase	Seminario Paroni	Progetto
1. Dati	20 headline	420 post + 428 file multimediali + CSV
2a. Classif. binaria	Politico / non politico	AI slop / non AI slop
2b. Classif. tematica	—	Multi-categoria (solo AI slop)
3. Prompt	Strutturato con ruolo + esempi	Multimodale: ruolo + definizioni + contenuto
4. Codifica IA	Gemini classifica headline	Gemini classifica contenuti
5. Codifica umana	Individuale → consenso	Ogni membro codifica 50 contenuti
6. Confronto	Gruppo vs. Gemini	Cohen’s kappa: umano-umano e umano-IA
7. Iterazione	Raffinamento prompt	Raffinamento codebook + prompt
8. Analisi	—	Engagement (VD) per categoria (VI)

Questa tabella è il riferimento metodologico centrale del progetto. Il passo 2 è ora esplicitamente diviso in due: (2a) classificazione binaria AI slop / non AI slop — identica nella logica alla classificazione politico / non politico del seminario Paroni — e (2b) classificazione multi-categoria dei soli contenuti identificati come AI slop. I passi 3-7 si applicano a entrambe le fasi di classificazione. Il passo 8 è la novità: l’analisi dell’engagement. Una volta validate le categorie, le usano come variabile indipendente per spiegare la variazione nelle metriche di engagement dal CSV. Riferimento: la pipeline è basata su Marino & Giglietto (2024).

Per domani: preparazione al lab

Mercoledì 18 Marzo: Lab — Prompt Design e Classificazione Pilota

Cosa preparare

• Lo schema di classificazione definito oggi
• Definizioni provvisorie delle categorie
• Account Google Gemini funzionante
• Foglio di calcolo condiviso nel gruppo

Cosa faremo domani

• Scrivere il prompt di classificazione
• Testare su 10-15 immagini pilota
• Raffinare prompt e categorie
• Documentare il codebook nel foglio condiviso
• Obiettivo: classificazione pilota di 30-50 immagini

Istruzioni operative per domani. I gruppi dovrebbero arrivare con lo schema di classificazione definito oggi e le prime definizioni delle categorie. Domani è una sessione interamente pratica: si progettano i prompt, si testano su un campione di immagini, si raffina iterativamente (come nel seminario Paroni), e si documenta tutto nel codebook. Alla fine della sessione domani, ogni gruppo deve avere: un prompt testato e raffinato, un codebook documentato nel foglio condiviso, e una classificazione pilota di almeno 30-50 immagini. Il docente e i tutor saranno disponibili per assistenza durante tutto il lab.

Grazie!

Prossima lezione: Lab — Prompt Design e Classificazione Pilota (18 Marzo 2026)

📧 fabio.giglietto@uniurb.it

🌐 blended.uniurb.it

Chiusura. Ricordare: (1) postare i nomi del gruppo nel forum su Blended indicando il responsabile, (2) il responsabile copia il modello di relazione e lo condivide (membri in modifica, docente e Paroni in commento), (3) esplorare il dataset (immagini e CSV) per prepararsi a domani, (4) iniziare a pensare allo schema di classificazione. A domani per il lab di prompt design e classificazione pilota!

Riferimenti

Chadwick, A. (2011). The Hybrid Media System [Manoscritto].

Ferrara, E. (2026). The Generative AI Paradox: GenAI and the Erosion of Trust, the Corrosion of Information Verification, and the Demise of Truth [Manoscritto].

Marino, G., & Giglietto, F. (2024). Integrating Large Language Models in Political Discourse Studies on Social Media: Challenges of Validating an LLMs-in-the-loop Pipeline. Sociologica, 18(2), 87–107. https://doi.org/10.6092/issn.1971-8853/19524

Mattis, N., & Vreese, C. H. de. (2025). Breaking the News? Generative AI’s Impact on Journalism and Its Implications for Disinformation. International Journal of Communication, 19, 3602–3625.

Terenzi, M., & Giglietto, F. (2025). From AI Slop to Strategic Virality: The Impact of Synthetic Visuals on Public Discourse in Italian Facebook Communities [Manoscritto].

Vaccari, C., & Chadwick, A. (2020). Deepfakes and Disinformation: Exploring the Impact of Synthetic Political Video on Deception, Uncertainty, and Trust in News. Social Media + Society, 6(1), 1–13. https://doi.org/10.1177/2056305120903408