Η ερευνητική ομάδα των Κοινωνικών Μηχανών του MIT Media Lab (Laboratory for Social Machines − LSM) χρησιμοποιεί επεξεργασία γλώσσας, δικτυακή επιστήμη, μηχανική μάθηση και σχεδιασμό χρηστικών εμπειριών για τη διεξαγωγή αναλύσεων και τη δημιουργία εργαλείων που προωθούν τη βαθύτερη κατανόηση των ανθρώπινων δικτύων. Η πιο γνωστή έρευνα της ομάδας είναι αυτή που έχει να κάνει με τη μελέτη της διάδοσης των ψευδών ειδήσεων στα μέσα κοινωνικής δικτύωσης.

Για να καταλάβουν πώς διαδίδονται οι ψευδείς ειδήσεις, οι ερευνητές του LSM χρησιμοποίησαν ένα σύνολο το 2006 έως το 2017. Τα δεδομένα αυτά περιλάμβαναν 126.000 ιστορίες που αναρτήθηκαν στο Twitter από 3 εκατομμύρια άτομα. Οι ειδήσεις ταξινομήθηκαν ως αληθείς ή ψευδείς χρησιμοποιώντας πληροφορίες από 6 ανεξάρτητους οργανισμούς ελέγχου στοιχείων που εμφάνισαν συμφωνία 95% έως 98% στις ταξινομήσεις.

Το ψέμα διαδόθηκε σημαντικά μακρύτερα, ταχύτερα, βαθύτερα και ευρύτερα από την αλήθεια σε όλες τις κατηγορίες πληροφοριών, και τα αποτελέσματα ήταν πιο έντονα για ψευδείς πολιτικές ειδήσεις παρά για ψευδείς ειδήσεις για τρομοκρατία, φυσικές καταστροφές, επιστήμη, αστικούς θρύλους ή οικονομία. Διαπιστώθηκε ότι οι ψευδείς ειδήσεις ήταν πιο πρωτότυπες από τις αληθινές ειδήσεις, γεγονός που ίσως εξηγεί γιατί διαδίδονταν περισσότερο. Ενώ οι ψεύτικες ιστορίες ενέπνεαν φόβο, αηδία και έκπληξη στις απαντήσεις, οι αληθινές ιστορίες ενέπνεαν προσμονή, λύπη, χαρά και εμπιστοσύνη. Επίσης, σε αντίθεση με τη μέχρι τότε επικρατούσα άποψη, οι ρομποτικοί λογαριασμοί του Twitter επιτάχυναν τη διάδοση αληθινών και ψευδών ειδήσεων με τον ίδιο ρυθμό, κάτι που δείχνει ότι οι ψευδείς ειδήσεις διαδίδονται περισσότερο από την αλήθεια, επειδή οι άνθρωποι, και όχι τα ρομπότ, είναι πιο πιθανό να τις διαδώσουν.

Άλλη πολύ γνωστή δουλειά της ομάδας είναι το Electome, μια μηχανογραφημένη χαρτογράφηση και ανάλυση του περιεχομένου της συζήτησης στη δημόσια σφαίρα που σχετιζόταν με την προεκλογική εκστρατεία των προεδρικών εκλογών του 2016 στις ΗΠΑ. Κύριος σκοπός του Electome ήταν να βοηθήσει τα δημοσιογραφικά γραφεία των ΗΠΑ να αναλύσουν και να προβάλουν τη δημόσια συζήτηση σχετικά με εκλογικά ζητήματα του 2016, όπως αυτή καταγράφηκε στα μέσα κοινωνικής δικτύωσης. Με αυτό τον τρόπο οι ερευνητές του LSM ήθελαν να μετατοπίσουν μέρος της συλλογικής προσοχής από το ποιος κερδίζει και ποιος χάνει των παραδοσιακών δημοσκοπήσεων στα ζητήματα για τα οποία διεξάγεται η εκστρατεία.

Το Electome τροφοδοτούσαν δύο κύριες ροές δεδομένων: η ημερήσια παραγωγή Tweets καθώς και ένα δείγμα καθημερινού περιεχομένου από 30 ψηφιακούς ιστότοπους ειδήσεων (5.000-6.000 ιστορίες ανά ημέρα). Μια σειρά από αλγόριθμους μηχανικής μάθησης διάλεγε τα Tweets και τις ιστορίες που σχετίζονταν με τις εκλογές και στη συνέχεια τα ταξινομούσε ανά θέμα, υποψήφιο, οργανισμό, καθώς και με βάση διάφορα άλλα φίλτρα. Στη συνέχεια, τα ταξινομημένα δεδομένα περνούσαν από σημασιολογικές και δικτυακές αναλύσεις που μετρούσαν και απεικόνιζαν συνεχώς:

1. Tο μερίδιο συνομιλίας ή κάλυψης που προκαλούσε οποιοδήποτε δεδομένο θέμα ή υποψήφιος στο Twitter και στα Μέσα Ενημέρωσης, καθώς και το πώς συγκρινόταν η κάλυψη στις δύο πλατφόρμες.
2. Ποια θέματα συνδέονταν στενότερα με κάθε υποψήφιο στο Twitter (μέσω ταυτόχρονων αναφορών υποψηφίου/θέματος σε μεμονωμένα Tweets).
3. Πόσο μεγάλο μέρος της συζήτησης και της κάλυψης στη δημόσια σφαίρα αφορούσε ουσιαστικά ζητήματα σε σύγκριση με τον χαρακτήρα και την προσωπικότητα των υποψηφίων.
4. Συγκεκριμένα υποθέματα και αντιπροσωπευτικά Tweets σε ευρύτερες συζητήσεις για συγκεκριμένα θέματα ή υποψηφίους.
5. Το επίπεδο λεκτικής επιθετικότητας (βωμολοχίες, προσβολές, βία, εθνοτικές/σεξουαλικές συκοφαντίες) στη δημόσια συζήτηση στο Twitter για οποιοδήποτε δεδομένο θέμα ή υποψήφιο.
6. Ποιος επηρέαζε την προεκλογική συνομιλία στη δημόσια σφαίρα (μέσω μιας σύνθετης μέτρησης επιρροής Twitter/Μέσων).

Η συνεχής ανάπτυξη του LSM το έχει πλέον καταστήσει ανεξάρτητο ερευνητικό κέντρο στο ΜΙΤ (Κέντρο για την Εποικοδομητική Επικοινωνία − CCC) που ασχολείται με το πώς μπορεί η τεχνολογία να βοηθήσει την άνοδο του επιπέδου των δημοσίων συζητήσεων.