Συχνά, όταν βρεθεί κανείς αντιμέτωπος με μια είδηση στο διαδίκτυο η οποία φαίνεται κάπως παράξενη ή εξωπραγματική, σκέφτεται να διερευνήσει το ζήτημα ο ίδιος, ώστε να προσδιορίσει την αξιοπιστία της πηγής και το ευρύτερο πλαίσιο που σχετίζεται με την είδηση. Μια έρευνα που δημοσιεύτηκε πρόσφατα σε έγκυρο επιστημονικό περιοδικό προειδοποιεί ότι αυτή η διαδικασία δεν οδηγεί πάντα στην αλήθεια, αντίθετα μπορεί να ενισχύσει την εμπιστοσύνη στην ψευδή είδηση και την παραπληροφόρηση. Ειδικά η αναζήτηση με κάποιες λέξεις - κλειδιά που προέρχονται από παραπλανητικές αναρτήσεις στο διαδίκτυο μπορεί να γυρίσει μπούμερανγκ, και να εγκλωβίσει τον ερευνώντα σε μια «φούσκα» υποστήριξης της συγκεκριμένης ψευδούς ή αστήρικτης πληροφορίας. Το «γκουγκλάρισμα» ενός θέματος δεν είναι επαρκές, αν αυτός που το κάνει δεν έχει καθαρό τι ψάχνει και τους παράγοντες που καθορίζουν το αποτέλεσμα της αναζήτησης.

Σε πέντε διαφορετικά πειράματα που πραγματοποιήθηκαν μεταξύ 2019 και 2022, οι ερευνητές ζήτησαν από χιλιάδες συμμετέχοντες να κατηγοριοποιήσουν άμεσα κάποιες αναρτήσεις ως αληθείς, ψευδείς ή ασαφείς ως προς την αλήθεια τους. Σε ένα μέρος των συμμετεχόντων υποδείχθηκε να χρησιμοποιήσουν μηχανή αναζήτησης για να κατηγοριοποιήσουν τις αναρτήσεις, ενώ μια ομάδα ελέγχου δεν χρησιμοποίησε μηχανή αναζήτησης. Παράλληλα, έξι επαγγελματίες ελεγκτές γεγονότων κατηγοριοποιούσαν και εκείνοι τις αναρτήσεις. Σε όλα τα πειράματα οι μη επαγγελματίες συμμετέχοντες που χρησιμοποίησαν μηχανή αναζήτησης είχαν 20% μεγαλύτερη πιθανότητα να κατηγοριοποιήσουν ψευδείς ή παραπλανητικές πληροφορίες ως αληθείς, συγκριτικά με εκείνους που δεν χρησιμοποίησαν.

Σε ένα από τα πειράματα οι ερευνητές παρατήρησαν τους όρους που αναζητήθηκαν και τα αποτελέσματα που έδωσε η μηχανή αναζήτησης της Google. Διαπίστωσαν ότι πάνω από το ένα τρίτο των συμμετεχόντων εκτέθηκαν σε παραπληροφόρηση όταν αναζήτησαν περισσότερες πληροφορίες για αμφισβητήσιμες αναρτήσεις. Συχνά ήταν οι όροι αναζήτησης εκείνοι που οδήγησαν στα παραπλανητικά αποτελέσματα. Το πρόβλημα με τα αποτελέσματα που ενισχύουν ψευδείς πληροφορίες είναι πιο έντονο στις περιπτώσεις που υπάρχει «κενό δεδομένων», δηλαδή ελάχιστες διαδικτυακές αναρτήσεις για κάποιο θέμα. Μάλιστα, εκείνοι που θέλουν να προωθήσουν τις ψευδείς πληροφορίες συχνά χρησιμοποιούν ορολογία που αποκλίνει της συνήθους χρησιμοποιούμενης από αξιόπιστες πηγές και επαναλαμβάνουν τις αναρτήσεις σε διάφορες πλατφόρμες, μέχρι η νέα ορολογία να εξασφαλίζει την πορεία προς την παραπληροφόρηση μέσω οποιασδήποτε αναζήτησης που τη χρησιμοποιεί.

Εκπρόσωπος της Google δήλωσε στους ερευνητές ότι προσπαθούν να καταπολεμήσουν το πρόβλημα, παραδεχόμενος εμμέσως ότι οι αλγόριθμοι αναζήτησης που χρησιμοποιούν οι μηχανές αναζήτησης των μονοπωλίων δεν δίνουν την πραγματική εικόνα του περιεχομένου του διαδικτύου, αλλά μια κατασκευασμένη εικόνα, καταπώς θεωρούν πολιτικώς ορθό και γενικά καταπώς είναι προς το συμφέρον τους να διαμορφώσουν τις συνειδήσεις των ανθρώπων.

Η παγίδα των ψευδών πληροφοριών μπορεί να αποφευχθεί μόνο με εξονυχιστικό έλεγχο των πηγών τους (αναζήτηση πληροφοριών για τις πηγές και την αξιοπιστία τους), αποφυγή της ειδικά κατασκευασμένης ορολογίας, αναζήτηση με διαφοροποίηση των αναζητούμενων λέξεων - κλειδιών και, φυσικά, λογικό έλεγχο με βάση τις θεμελιώδεις γνώσεις που πρέπει να έχει κανείς για τον φυσικό κόσμο και την κοινωνία. Είναι καλύτερα να αφήσει κανείς προσωρινά «αδάγκωτο» κάτι που του προκαλεί έστω και ελάχιστη υποψία ότι μπορεί να είναι «δόλωμα», και να το ψάξει με τη βοήθεια έγκυρων πηγών και έγκυρων ανθρώπων.

Η αντίσταση στα αντιβιοτικά αποτελεί μεγάλη απειλή για την ανθρώπινη υγεία σε παγκόσμιο επίπεδο. Σχετίζεται άμεσα με τον θάνατο 1,27 εκατομμυρίων ανθρώπων το 2019, ενώ την ίδια χρονιά συνέβαλε στον θάνατο σχεδόν άλλων 5 εκατομμυρίων. Καμία νέα οικογένεια αντιβιοτικών δεν αναπτύχθηκε τις τελευταίες δεκαετίες, καθώς το κόστος για την ανακάλυψη τέτοιων ουσιών είναι μεγάλο και τα φαρμακευτικά μονοπώλια δεν επενδύουν αρκετά ώστε να προχωρήσει πιο γρήγορα η σχετική έρευνα.

Ερευνητική ομάδα του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης (MIT) και του Πανεπιστημίου Χάρβαρντ, χρησιμοποιώντας ένα είδος Τεχνητής Νοημοσύνης (ΤΝ) που ονομάζεται βαθιά μηχανική μάθηση, έλεγξε εκατομμύρια χημικές ενώσεις για ενδεχόμενη αντιβιοτική δράση. Από τα αποτελέσματα που έδωσε η ΤΝ διάλεξαν 283 υποσχόμενες ενώσεις και τις δοκίμασαν σε ποντίκια, βρίσκοντας αρκετές που ήταν αποτελεσματικές απέναντι στον ανθεκτικό στη μεθυκυλίνη Staphylococcus aureus (MRSA) και απέναντι στον ανθεκτικό στη βανκομυκίνη εντερόκοκκο, δύο από τα πιο δύσκολο να εξοντωθούν παθογόνα. Σε αντίθεση με τα τυπικά μοντέλα ΤΝ, που λειτουργούν σαν «μαύρα κουτιά», το μοντέλο που χρησιμοποίησαν οι ερευνητές («εξηγήσιμη ΤΝ») τους επέτρεπε να δουν τη συλλογιστική του και να κατανοήσουν τη βιοχημεία πίσω από τις επιλογές του. Τέτοια μοντέλα μπορεί στο μέλλον να κάνουν την ΤΝ έναν νέο κλάδο της μηχανικής. Στη μηχανική μπορείς πάντα να αποσυναρμολογήσεις τα κομμάτια που απαρτίζουν ένα σύστημα και να κατανοήσεις τι κάνει το καθένα.

Οι ουσίες που ανακαλύφθηκαν αποτελούν μια ολόκληρη νέα οικογένεια αντιβιοτικών. Με τις συμβατικές μεθόδους χρειάζονται περίπου 12 χρόνια μέχρι την ανακάλυψη ενός νέου αντιβιοτικού, στα οποία πρέπει να προστεθούν 3 έως 6 χρόνια για την ανακάλυψη κλινικά αξιοποιήσιμων μορφών του, και μετά πρέπει να πραγματοποιηθούν οι τρεις φάσεις των κλινικών δοκιμών.