Betrouwbaarheidsscore
Stel je voor dat elk nieuwsbericht, elke website en straks ook elk antwoord van een chatbot een label zou hebben zoals de Nutri-Score op een pak koekjes: een cijfer of kleur die in één oogopslag laat zien hoe betrouwbaar de bron is. Dat is in de kern wat een betrouwbaarheidsscore probeert te doen. Het is geen technisch buzzwoord van één bedrijf, maar een verzamelnaam voor allerlei methodes waarmee mensen en computers samen proberen te meten hoe geloofwaardig informatie, een website of een AI-systeem is.
De term duikt steeds vaker op omdat we overspoeld worden door informatie waarvan de herkomst niet meer vanzelfsprekend is: nepnieuwssites die op echte kranten lijken, AI-chatbots die met veel overtuiging onzin verzinnen (dat heet hallucineren), en sociale media waar een bericht binnen minuten viraal gaat voordat iemand het heeft kunnen checken. Een betrouwbaarheidsscore is een poging om daar een cijfer, ster of kleurtje tegenover te zetten, zodat lezers, adverteerders of zelfs andere computersystemen snel kunnen inschatten: kan ik dit vertrouwen, of moet ik voorzichtig zijn?
Wat is het precies?
Er bestaat geen één vaste formule voor een betrouwbaarheidsscore; in de praktijk zijn er minstens drie families van methodes.
De eerste is menselijke beoordeling volgens vaste criteria. Getrainde journalisten of onderzoekers doorlopen een checklist voor een website: publiceert de site vaak onjuiste informatie zonder correctie? Is duidelijk wie de eigenaar is en wie de auteurs zijn? Wordt reclame duidelijk gescheiden van redactionele inhoud? Elk criterium levert punten op, en die punten worden opgeteld tot een score, bijvoorbeeld op een schaal van 0 tot 100. Dit is de methode die het Amerikaanse bedrijf NewsGuard gebruikt voor duizenden nieuwssites.
De tweede familie is automatische fact-checking met kunstmatige intelligentie. Hierbij scant software teksten op controleerbare beweringen ("de werkloosheid is dit jaar gedaald"), vergelijkt die met betrouwbare databronnen of eerdere fact-checks, en berekent hoe waarschijnlijk het is dat de bewering klopt. Een vroeg voorbeeld hiervan is ClaimBuster, ontwikkeld aan de University of Texas at Arlington, dat automatisch "checkwaardige" uitspraken uit toespraken en debatten filtert.
De derde familie heeft te maken met AI-taalmodellen zelf, zoals ChatGPT of vergelijkbare systemen. Zo'n model berekent intern al een soort waarschijnlijkheid voor elk woord dat het genereert (een zogeheten confidence score, oftewel zekerheidsscore). Het probleem is dat die interne zekerheid weinig zegt over feitelijke juistheid: een model kan met hoge "zekerheid" iets fout beweren. Onderzoekers werken daarom aan aparte technieken om de feitelijke betrouwbaarheid van AI-antwoorden te schatten, los van de taalkundige vlotheid ervan, bijvoorbeeld door een antwoord meerdere keren te laten genereren en te kijken of de uitkomsten elkaar tegenspreken.
Belangrijk om te beseffen: geen van deze methodes meet "de waarheid" rechtstreeks. Ze meten steeds een benadering, gebaseerd op patronen uit het verleden, menselijk oordeel of statistische consistentie. Dat maakt een betrouwbaarheidsscore nuttig als kompas, maar niet onfeilbaar als eindoordeel.
Wat wil men ermee bereiken?
De directe aanleiding is de explosieve groei van desinformatie: bewust verspreide onjuiste informatie, vaak voor politiek of commercieel gewin. Onderzoekers van het MIT Media Lab toonden in 2018 in een veelgeciteerde studie in het tijdschrift Science aan dat vals nieuws op sociale media aantoonbaar sneller en verder verspreidt dan waar nieuws, onder meer omdat het vaker verrassend of emotioneel is.
Betrouwbaarheidsscores moeten hier op verschillende niveaus tegenwicht bieden. Voor gewone lezers moeten ze snel oriënteren zonder dat iemand elk artikel zelf hoeft te verifiëren. Voor adverteerders bieden ze een manier om te voorkomen dat advertentiegeld terechtkomt bij nepnieuwssites, wat namelijk het verdienmodel van veel desinformatie is. Voor techplatforms zoals zoekmachines en sociale netwerken dienen ze als hulpmiddel bij het rangschikken of markeren van content, al benadrukken de meeste van deze bedrijven dat een score nooit het enige criterium is. En voor makers van AI-chatbots zijn ze een manier om te voorkomen dat een taalmodel klakkeloos onbetrouwbare bronnen napraat.
Onderliggend doel is dus vertrouwen herstellen in een informatie-omgeving waarin de traditionele signalen (een bekend logo, een vertrouwde nieuwslezer) online veel makkelijker na te maken of te omzeilen zijn.
Voorbeelden uit de praktijk
NewsGuard (opgericht in 2018 in de Verenigde Staten) is wellicht het bekendste voorbeeld. Getrainde journalisten beoordelen nieuwswebsites op negen criteria, zoals transparantie over eigenaarschap en het corrigeren van fouten, en kennen elke site een score en een groen of rood label toe. De data wordt via een browserextensie aangeboden en ook doorverkocht aan andere bedrijven, waaronder zoekmachines en adverteerders.
De International Fact-Checking Network (IFCN), ondergebracht bij het Poynter Institute in de VS en opgericht in 2015, stelt geen score per website op maar een gedragscode ("Code of Principles") waaraan fact-checkorganisaties zich vrijwillig kunnen conformeren. Voldoen ze eraan, dan mogen ze zich "gecertificeerd fact-checker" noemen, wat weer door platforms als Facebook en Google wordt gebruikt om partnerorganisaties te selecteren.
In het Verenigd Koninkrijk bouwt de liefdadigheidsorganisatie Full Fact (opgericht in 2010) eigen AI-gereedschap dat live televisie- en radio-uitzendingen aftast op controleerbare uitspraken, om fact-checkers sneller te laten reageren op mogelijke desinformatie.
Op Europees niveau bracht de Europese Commissie de Code of Practice on Disinformation tot stand (voor het eerst in 2018, herzien in 2022), een zelfregulerend akkoord waarin techbedrijven als Google, Meta, TikTok en Microsoft toezeggen actie te ondernemen tegen desinformatie op hun platforms. Sinds de Digital Services Act (DSA), die in 2024 volledig van kracht werd, kan dit voor de grootste platforms ook een wettelijke verplichting worden om systeemrisico's zoals desinformatie te beoordelen en te beperken.
Tot slot experimenteert de journalistieke sector met technische kwaliteitsstandaarden zoals het Journalism Trust Initiative van Reporters Without Borders, dat in 2019 uitmondde in een Europese technische norm waarmee redacties hun eigen transparantie kunnen laten certificeren.
Hoe ver is de techniek?
Menselijke beoordelingssystemen zoals dat van NewsGuard zijn operationeel en worden al jaren commercieel ingezet, maar ze schalen traag: elke nieuwe website moet handmatig worden beoordeeld, wat de dekking beperkt tot de grotere, meest bezochte sites. Bovendien ligt de methodologie soms onder vuur: critici wijzen erop dat de beoordelingscriteria zelf keuzes bevatten waarover redelijkerwijs gediscussieerd kan worden, en dat een enkel cijfer complexe redactionele kwaliteit onvermijdelijk versimpelt.
Automatische fact-checking met AI is de afgelopen tien jaar sterk verbeterd dankzij grotere taalmodellen, maar blijft worstelen met nuance, sarcasme, en beweringen die gedeeltelijk waar en gedeeltelijk onwaar zijn. Systemen als ClaimBuster zijn vooral onderzoeksprototypes en beperkte praktijktools gebleven, geen alomtegenwoordige industriestandaard.
Het meten van betrouwbaarheid van AI-taalmodellen zelf staat nog het meest in de kinderschoenen. Er is geen algemeen geaccepteerde, gestandaardiseerde "betrouwbaarheidsscore" voor een AI-antwoord; verschillende onderzoeksgroepen bij bedrijven als OpenAI, Google DeepMind en Anthropic publiceren eigen experimentele technieken om hallucinaties te detecteren, maar een pasklare, algemeen toegepaste oplossing bestaat per 2026 nog niet. Ook regelgeving zoals de DSA is nog volop in de uitvoeringsfase, met discussie over hoe streng en hoe transparant platforms moeten rapporteren.
Wie werken eraan?
Commercieel domineren Amerikaanse spelers als NewsGuard en non-profits als Full Fact (VK) en Meedan (VS), dat verificatiegereedschap bouwt voor journalisten wereldwijd, met nadruk op regio's waar professionele factchecking schaars is. Academisch onderzoek komt onder meer van de University of Texas at Arlington (ClaimBuster), het MIT Media Lab en de Duke Reporters' Lab, die een wereldwijde database van fact-checkorganisaties bijhoudt.
Op instituut- en beleidsniveau spelen het Poynter Institute met zijn International Fact-Checking Network, Reporters Without Borders met het Journalism Trust Initiative, en de Europese Commissie met de Code of Practice on Disinformation en de Digital Services Act een centrale rol. Grote techbedrijven als Google, Meta, Microsoft en TikTok zijn zowel ondertekenaar van die Europese afspraken als, via hun eigen trust-and-safety-teams, ontwikkelaar van interne betrouwbaarheidssignalen voor zoekresultaten en tijdlijnen. Bij de AI-taalmodellen zelf werken onderzoeksteams van onder meer OpenAI, Google DeepMind en Anthropic aan technieken om feitelijke betrouwbaarheid van gegenereerde tekst te meten en te verbeteren, veelal nog in een onderzoeksfase.