Con el presente documento Javier Valencia pretende mostrar una posible metodología a seguir en materia de análisis de guerra de información y acciones de desinformación conforme a los distintos análisis de los informes y a las distintas herramientas que utilizan en la agencia francesa VIGINUM.
Creada el 13 de julio de 2021, VIGINUM es un referente europeo en materia de desinformación. Responde a un gran desafío: preservar el debate público de la manipulación de información proveniente del exterior en plataformas digitales.
La principal misión de VIGINUM es detectar y caracterizar las interferencias digitales extranjeras que afectan al debate público digital en Francia. Para ello, el servicio estudia los fenómenos no auténticos (cuentas sospechosas, contenidos maliciosos, comportamientos anómalos, aberrantes o coordinados) que aparecen en las plataformas digitales.
La actividad de VIGINUM se organiza en torno a operaciones de protección, centradas en un tema particular para el cual es necesaria una postura de vigilancia ante una posible amenaza informativa: institucional, democrática, política, social, histórica, deportiva, conocida y planificada o vinculada a acontecimientos actuales, que tengan lugar en Francia o afecten al debate público allí.
VIGINUM, dirigido por Marc-Antoine Brillant , es un colectivo de especialistas seleccionados por su experiencia en investigación y análisis digitales (OSINT), marketing digital, ciencia de datos, ciencias políticas y geopolítica. La unión de esta experiencia y la sinergia del equipo crean el valor añadido de VIGINUM.
El origen de esta metodología parte de la intercepción de una oferta de trabajo para un técnico especialista en la lucha de desinformación, en la que solicitaban una serie de conocimientos respecto a la temática y una serie de herramientas, junto con los conocimientos ya disponibles en nuestro país, de referentes del mismo en materia de guerra de información y desinformación.
Conforme a esos conocimientos y esas tecnologías, se desarrolló mediante inteligencia artificial generativa una estrategia dedicada a trabajar esos aspectos en el problema específico objeto de este informe.
El resultado de esa estrategia, que a primera vista parecía coherente y efectiva, se irá mostrando a lo largo de este informe.
SOBRE LOS CONOCIMIENTOS SOLICITADOS.
En la oferta a la que se hace mención, se solicitaban conocimientos sobre las siguientes herramientas:
-
- Zotero: Ideal para la gestión de información y fuentes confiables, crucial en la lucha contra la desinformación.
-
- RDF (Resource Description Framework): Útil para estructurar datos relacionados con la desinformación.
-
- SKOS (Simple Knowledge Organization System): Importante para desarrollar taxonomías de desinformación.
-
- SPARQL: Permite realizar consultas en bases de datos RDF para analizar patrones de desinformación.
-
- MITRE: Aunque no es específico para desinformación, su enfoque en ciberseguridad puede ser relevante.
-
- DISARM: Un marco estandarizado cada vez más utilizado en la guerra de información, desinformación y Foreign Information Manipulation and Interference (FIMI).
DISEÑO Y DESARROLLO DE LA TÉCNICA DE ANÁLISIS ESTRUCTURADO.
Se desarrolla un GPT propio inicializado con GPT3 y al que se le incorpora distintos documentos doctrinales de guerra de información de cara a entender posibles casos de usos de estas herramientas, obteniendo los siguientes:
-
- Zotero. Uso: Organización de fuentes para investigar la propagación de una noticia falsa. Ejemplo: Creas una colección en Zotero titulada «Caso de Estudio: Noticia Falsa XYZ». Agregas artículos, blogs y foros que han difundido la noticia, etiquetándolos según su credibilidad. Utilizas las notas de Zotero para anotar puntos clave, como las fechas de publicación y las discrepancias en la información presentada. Este enfoque te permite rastrear la evolución y dispersión de la desinformación.
-
- RDF (Resource Description Framework). Uso: Modelado de datos para analizar la red de fuentes detrás de una campaña de desinformación. Ejemplo: Utilizas RDF para crear un modelo de datos que mapea las relaciones entre diferentes sitios web y autores que han contribuido a difundir una narrativa falsa. Este modelo te ayuda a identificar patrones comunes y posibles centros de coordinación de la campaña.
-
- SKOS (Simple Knowledge Organization System). Uso: Desarrollo de una taxonomía para categorizar tipos de desinformación. Ejemplo: Creas una taxonomía en SKOS que clasifica la desinformación por temas, como política, salud y medio ambiente. Esto te permite agrupar y analizar la desinformación más eficientemente, facilitando la identificación de tendencias y temas recurrentes.
-
- SPARQL. Uso: Consultas en bases de datos RDF para descubrir conexiones ocultas en campañas de desinformación. Ejemplo: Realizas consultas SPARQL en una base de datos RDF que contiene información sobre autores y fuentes de noticias falsas. Buscas patrones de colaboración o similitudes en las técnicas de desinformación utilizadas, lo que te permite desentrañar redes complejas de actores detrás de la desinformación.
-
- MITRE. Uso: Análisis de tácticas y técnicas utilizadas en operaciones de desinformación. Ejemplo: Aplicas el conocimiento y las metodologías de MITRE para analizar una operación de desinformación, identificando las tácticas de manipulación de información y las vulnerabilidades explotadas. Esto ayuda a desarrollar contramedidas más efectivas.
-
- DISARM. Uso: Implementación de un sistema de alerta temprana para detectar desinformación. Ejemplo: Configuras DISARM para monitorear redes sociales y foros en línea, utilizando algoritmos para detectar patrones de desinformación. Esto permite identificar y responder rápidamente a intentos de manipulación de la información antes de que se propaguen ampliamente.
En una fase inicial, procediendo como procede DISARM de MITRE, se podría obviar MITRE por el enfoque que tiene DISARM hacia la desinformación.
Una vez presentadas las distintas herramientas en sus correspondientes contextos, el uso que se pueden hacer de ellas en las distintas fases de lo que sería un análisis de inteligencia estructurado, basado en el ciclo de inteligencia, sería este:
-
- Recopilación y Organización de Datos con Zotero:
Tarea: Agregar los enlaces de los sitios web a Zotero y organizarlos en carpetas por categorías (por ejemplo, tipo de contenido, temas predominantes, etc.).
Objetivo: Mantener un registro organizado y fácilmente accesible de todas las fuentes para su posterior análisis.
-
- Estructuración de Datos con RDF:
Tarea: Crear un modelo RDF que represente las relaciones entre los diferentes sitios, como similitudes en contenido o propietarios comunes.
Objetivo: Visualizar la red de sitios web y encontrar conexiones estructurales.
-
- Desarrollo de Taxonomías con SKOS:
Tarea: Utilizar SKOS para categorizar los tipos de desinformación, temas tratados, y técnicas de manipulación de información identificadas.
Objetivo: Clasificar y entender mejor las diferentes formas y temas de desinformación presentes en los sitios.
-
- Análisis de Datos con SPARQL:
Tarea: Ejecutar consultas SPARQL en la base de datos RDF para descubrir patrones, como temáticas comunes o estrategias de distribución.
Objetivo: Identificar tendencias y estrategias recurrentes en los sitios de desinformación.
-
- Aplicación de Conocimientos de DISARM:
Tarea: Utilizar marcos y técnicas y aplicar DISARM para configurar alertas de contenido sospechoso.
Objetivo: Desarrollar una comprensión profunda de las tácticas de desinformación y establecer un sistema de monitoreo para futuras detecciones.
De cara a afrontar futuros análisis siguiendo esta técnica de análisis estructurado, se podría presentar el siguiente esquema funcional:
-
- Adquisición de Información: Herramientas: Utilizar scrappers avanzados como Scrapy o BeautifulSoup en Python para automatizar la extracción de datos de páginas web. Zotero para la gestión bibliográfica y crawlers como Apache Nutch para rastrear y recopilar datos a gran escala. Técnicas: Implementar técnicas de Web Scraping con detección y evasión de CAPTCHAs y medidas anti-scraping, asegurando una recopilación de datos eficiente y ética.
-
- Preprocesamiento de Datos: Limpieza de Datos: Aplicar algoritmos de detección y corrección de errores, normalización de texto, y técnicas de deduplicación para mejorar la calidad de los datos. Fusión de Datos: Utilizar algoritmos de correspondencia de entidades y fusión de datos para integrar y consolidar información de múltiples fuentes, empleando herramientas como Pandas en Python.
-
- Análisis de Texto (NLP): Extracción de Entidades y Tokenización: Implementar modelos de aprendizaje profundo para la extracción de entidades nombradas y análisis de sentimientos, como BERT o GPT-3, complementados con librerías como NLTK y spaCy. Análisis Semántico: Aplicar análisis de temas y modelado de tópicos utilizando algoritmos como LDA (Latent Dirichlet Allocation) para identificar temas predominantes y su evolución.
-
- Análisis de Redes: Construcción de Redes: Crear redes complejas, analizando no solo relaciones binarias sino también redes multicapa, para capturar la complejidad de las interacciones y relaciones. Análisis de Centralidad y Comunidades: Utilizar métricas de centralidad (como betweenness, closeness, eigenvector) para identificar nodos influyentes y aplicar algoritmos de detección de comunidades como Louvain o Infomap.
-
- Visualización: Herramientas Avanzadas: Más allá de Gephi, explorar herramientas avanzadas como Cytoscape para visualizaciones complejas de redes, y bibliotecas de visualización en Python como Matplotlib o Seaborn para gráficos personalizados. Visualización Interactiva y Dashboarding: Implementar dashboards interactivos utilizando herramientas como D3.js o Tableau para una exploración dinámica de los datos.
-
- Análisis de TTPs: Modelado de Amenazas: Utilizar marcos de modelado de amenazas como DISARM STIX2 para categorizar y entender las TTPs en el contexto de la desinformación. Análisis Predictivo y de Riesgo: Aplicar técnicas de machine learning y análisis estadístico para predecir tendencias futuras y evaluar el riesgo asociado a diferentes TTPs.
-
- Elaboración del Informe: Narrativa de Datos y Storytelling: Construir una narrativa convincente alrededor de los datos, utilizando técnicas de storytelling para hacer que el informe sea más accesible y atractivo. Integración de Datos y Visualización: Utilizar técnicas avanzadas de visualización de datos para integrar múltiples fuentes de datos en una representación coherente y comprensiva. Utilizar herramientas como PowerBI, Tableau o Canva para crear infografías y visualizaciones que resuman y clarifiquen los hallazgos.
CONCLUSIONES.
El informe presentado propone una técnica innovadora de análisis estructurado para abordar la guerra de información y las acciones de desinformación. Esta técnica, que podría considerarse el germen de un enfoque más amplio y adaptativo, está diseñada para ser flexible y escalable, permitiendo la incorporación de otras técnicas según las necesidades específicas de cada situación.
En el núcleo de esta metodología se encuentra la utilización de herramientas especializadas en el análisis de información. Herramientas como Zotero, RDF, SKOS, SPARQL, MITRE y DISARM son fundamentales en este enfoque. Zotero se utiliza para la organización eficiente de fuentes, facilitando el seguimiento de la evolución y propagación de la desinformación. RDF y SKOS son esenciales para el modelado de datos y el desarrollo de taxonomías, respectivamente, permitiendo una clasificación y análisis detallado de los tipos de desinformación. SPARQL permite realizar consultas avanzadas para descubrir patrones y conexiones ocultas en campañas de desinformación. Por último, MITRE y DISARM proporcionan un marco para analizar tácticas y técnicas de desinformación y para establecer sistemas de alerta temprana.
Este enfoque estructurado sigue un ciclo de inteligencia bien definido que comienza con la recopilación y organización de datos, seguido de la estructuración de estos datos, el desarrollo de taxonomías, el análisis de los mismos y la aplicación de conocimientos específicos para la detección y alerta temprana de desinformación. Este proceso no solo permite un análisis exhaustivo de la información disponible, sino que también facilita la identificación de tendencias y estrategias recurrentes utilizadas en la desinformación.
Además, el informe propone un esquema funcional para futuros análisis que abarca desde la adquisición y preprocesamiento de información hasta el análisis de redes y la visualización de datos. Este esquema subraya la importancia de un enfoque integral que incluye el análisis de texto mediante técnicas de procesamiento del lenguaje natural, la construcción y análisis de redes complejas, y la utilización de herramientas avanzadas para la visualización interactiva de datos. Asimismo, se pone énfasis en el modelado de amenazas y el análisis predictivo para comprender y anticipar tendencias de desinformación.
En resumen, este informe no solo establece las bases para una técnica de análisis estructurado robusta y eficaz en el contexto de la guerra de información, sino que también destaca su naturaleza adaptable y expansible. Esta técnica de análisis está preparada para incorporar nuevas herramientas y métodos, y para ajustarse a diferentes fases y etapas según las demandas del análisis. Por lo tanto, representa un paso significativo hacia adelante en la lucha contra la desinformación y la manipulación de la información.
