מהי דיסאינפורמציה (Misinformation)?

מידע מוטעה (Misinformation) הוא מידע שאינו מדויק, חלקי או מטעה, בין אם האדם ששיתף אותו התכוון לגרום לנזק ובין אם לאו. הוא יכול להופיע בדיווחי חדשות, בשיחות פרטיות, בפרסום, בטענות בריאותיות, בתמונות, בסטטיסטיקות ובערות יומיומיות. הצהרה עשויה להכיל אלמנט קטן של אמת ועדיין ליצור רושם שקרי מבחינה מהותית.

מידע מוטעה (Misinformation) לעומת דיסאינפורמציה מכוונת (Disinformation)

ההבדל המרכזי בין מידע מוטעה לדיסאינפורמציה מכוונת הוא הכוונה. מידע מוטעה משותף בדרך כלל בגלל טעות, אי-הבנה או חוסר ידע, בעוד שדיסאינפורמציה מכוונת מיוצרת או מופצת במכוון כדי להטעות. אותה טענה לא מדויקת יכולה אפוא להיות מידע מוטעה כאשר היא חוזרת על עצמה כבדרך אגב, ודיסאינפורמציה מכוונת כאשר היא מתוכננת כחלק מקמפיין מניפולציה.

הכוונה אינה תמיד נראית לעין מתוך התוכן עצמו. תצלום ממוחזר, למשל, עשוי להיות משותף על ידי אדם אחד שמאמין שהוא עדכני ועל ידי אדם אחר שיודע שהוא מוצג בהקשר שקרי. זו הסיבה שהערכת המקור, התאריך, הראיות והנסיבות הסובבות חשובה לא פחות מהערכת ניסוח הטענה.

מדוע מידע מוטעה תופס תאוצה

שלושה מנגנונים עומדים במרכז הסיבה לכך שטענות שווא נפוצות, וכל אחד מהם פועל בשקט בתוך ההיגיון של מערכות הפרסום המודרניות.

אפקט תיבת התהודה

מודלים של סימולציית רשת מראים שכאשר קבוצות של משתמשים חולקות דעה משותפת ומחוברות ביניהן באופן הדוק בעודן מקוטבות משאר הרשת, הדבקות מורכבות כמו מידע מוטעה נעות מהר יותר ורחוק יותר.

"אפקט תיבת התהודה" הזה משמעותו שנוכחותו של אשכול מקוטב פועלת כטרנד ראשוני, ויוצרת את המומנטום המוקדם שדוחף טענת שווא מאלמוניות לחשיפה רחבה. קשה לחקור את מערכת היחסים הזו בשטח מכיוון שקשרי המדיה החברתית צפופים ולולאות סיבה ותוצאה שזורות זו בזו. ובכל זאת, הממצא כי קיטוב דעות וקיטוב רשת פועלים בסינרגיה כדי להגביר את הוויראליות של מידע מוטעה מציע הסבר סביר מדוע נרטיבים שקריים מסוימים ממריאים.

זה מצביע על כך שקהלי פרסום הדומים מבחינה מבנית לתיבות תהודה – אשכולות בעלי דעות דומות מאוד עם מעט קשרים חיצוניים – עשויים להיות קרקע פורייה במיוחד להפצת סטטיסטיקות מופרכות, במיוחד אם הנתונים הללו תואמים את תפיסת העולם הקיימת של הקבוצה.

דלק רגשי

נתונים ניסיוניים מתוך מחקר גדול בהשתתפות 719 משתתפים בארה"ב חשפו כי חרדה מוגברת גורמת לאנשים להאמין בסבירות גבוהה משמעותית ולהביע נכונות לשתף את כל סוגי הטענות – נכונות, מתקנות ושקריות לחלוטין. השפעה זו בלטה במיוחד בקרב רפובליקנים, אך הדפוס הבסיסי היה ברור: חרדה מפחיתה את המסננים הקוגניטיביים שבדרך כלל היו חוסמים תוכן מפוקפק.

בנפרד, סקר בקרב 513 מבוגרים בדרום קוריאה מצא כי כעס מוביל אנשים לדרג טענות כוזבות לגבי COVID-19 כ"אמינות מבחינה מדעית", כאשר הקשר חזק יותר בקרב שמרנים.

בהקשר של פרסום, וריאציות קריאייטיב המנצלות חרדה או כעס, בין אם באמצעות כותרות דחופות או דימויים ממוסגרי משבר, יכולות להגביר בשוגג את המעורבות (engagement). כאשר מנופים רגשיים אלו מופעלים בקנה מידה רחב על ידי מערכות אוטומטיות שמבצעות אופטימיזציה אך ורק לאותות תשומת לב, אותם דלקים רגשיים שמניעים שיתוף מידע מוטעה יכולים להוביל מנוע Dynamic Creative Optimization להעדפת וריאציות מודעה המכילות טענות מוטלות בספק.

בדיקת עובדות עלולה להשיג תוצאה הפוכה

ניתוח של 5,303 פוסטים במדיה החברתית ויותר מ-2.6 מיליון תגובות בפייסבוק, טוויטר ויוטיוב מצא שבעוד שמאמרי בדיקת עובדות אכן מייצרים כמה אותות חיוביים, הם גם מייצרים אותות העולים בקנה אחד עם אפקט של "תוצאה הפוכה" (backfire) – תגובות משתמשים שעשויות לחזק אמונות שווא במקום לתקן אותן.

עקבות לשוניים כמו שיעור גבוה יותר של קללות, שימוש כבד באמוג'י וסימנים של מודעות למידע מוטעה מופיעים בתדירות גבוהה הרבה יותר בפוסטים שקריים יותר. אותות אלה יכולים לעזור לפלטפורמות לזהות מידע מוטעה, אך הם גם חושפים שכאשר סטטיסטיקה מופרכת מופיעה בתוך מודעה, והשיחה מסביב מתפרצת בשרשורי תיקון או תגובות רעילות, ההגברה האלגוריתמית של אותה מעורבות עלולה להחמיר את הקישור של המותג לטענה הכוזבת, גם אם המסר המפורש הוא "זה שגוי".

איננו בטוחים שמידע מוטעה גורם באופן ישיר לנזק בעולם האמיתי

סקירה רב-תחומית משנת 2023 המקיפה את מדעי המחשב, כלכלה, פסיכולוגיה ולימודי תקשורת מצאה שבעוד שההתקדמות בטכנולוגיית המידע ללא ספק אפשרה וחשפה עיוותים של האמת הבסיסית, "התנהגויות פסולות טרם הוכחו באופן אמפירי ומהימן כתוצאה של מידע מוטעה; ייתכן שלמתאם המוצג כסיבתיות יש יד בדבר."

רבים מהנזקים החברתיים המונחים מבוססים על תפיסה בין-סובייקטיבית – מה שאנשים מאמינים שקורה – ולא על שרשרת סיבתית הדוקה מחשיפה להתנהגות. עבור משווקים, אי-ודאות זו היא קריטית. משמעות הדבר היא שהצגת יתר של הסכנה של נתונים מופרכים במודעות עלולה להוביל לפאניקה מיותרת, אך היא גם אומרת שהתעלמות מהסיכון כאשר נראית שרשרת ברורה של סנטימנט שלילי ובזבוז תקציב תהיה חסרת אחריות באותה מידה.

כיצד מידע מוטעה מופץ

מידע מוטעה נע הן ברשתות דיגיטליות והן ברשתות לא מקוונות. פלטפורמות חברתיות יכולות להפוך את הפרסום והשיתוף לכמעט מיידיים, אך שיחות משפחתיות, צ'אטים קבוצתיים, טלוויזיה, פרסום ומפה לאוזן נותרים ערוצים משמעותיים. מהירות ההפצה עולה לעיתים קרובות על המהירות שבה ניתן לבדוק טענה.

מידע מוטעה במדיה החברתית

מדיה חברתית מעודדת תשומת לב מהירה באמצעות חומר חזותי, כותרות תמציתיות ואותות גלויים של פופולריות. פוסטים המעוררים כעס, פחד, הפתעה או שעשוע עשויים לקבל יותר תגובות ושיתופים מאשר הסברים זהירים. אדם עשוי גם לבטוח בטענה מכיוון שהיא הגיעה מחבר, מכר מקצועי או מקהילה שהוא כבר מזדהה איתה.

כמה מאפיינים מגבירים בדרך כלל את הסבירות שמידע לא אמין יופץ באופן נרחב:

• שפה רגשית יכולה להניע שיתוף מיידי עוד לפני מחשבה מעמיקה.

• חזרה יכולה לגרום לטענה שאינה מבוססת להרגיש מוכרת ואמינה.

• תמונות וסרטונים קצרים עשויים להיות מופרדים מהתאריך או מההקשר המקוריים שלהם.

• מערכות המלצות יכולות לחשוף משתמשים לנקודות מבט דומות יותר ויותר.

מנגנונים אלו אינם הופכים כל פוסט פופולרי לשקרי, ואינם הופכים כל פוסט לא פופולרי למדויק. עם זאת, הם מראים מדוע תפוצה ומעורבות הן תחליפים גרועים לראיות. קורא זהיר מפריד בין ההוכחה החברתית הסובבת טענה לבין איכות הטענה עצמה.

כיצד 3 עמודי תווך של MarTech הופכים לוקטורים של מידע מוטעה

1. אופטימיזציה של קריאייטיב דינמי (Dynamic Creative Optimization)

פלטפורמות Dynamic Creative Optimization (DCO) בוחנות באופן אלגוריתמי אלפי כותרות פרסומות, תמונות והנעות לפעולה, ומפנות תקציב רב יותר לעבר וריאציות שמייצרות שיעורי קליקים גבוהים, קצב תגובות מהיר או מומנטום שיתוף חזק.

נתיב הסיכון הוא שאם תוכן רגשי מניע אינטראקציה, כפי שמראים מחקרי החרדה והכעס, הרי שמנוע DCO המאומן על אותות מעורבות עשוי לקדם קריאייטיב המהדהד סטטיסטיקות מופרכות בדיוק משום שהווריאציות הללו מעוררות את החרדה או הכעס שמדרבנים שיתוף. האותות הלשוניים הנלווים לפוסטים שקריים – קללות רבות, תגובות אמוג'י אינטנסיביות – עלולים להיחשב בטעות על ידי האלגוריתם כ"מעורבות גבוהה", מה שמחזק עוד יותר את המחזוריות.

לפיכך, משווקים צריכים לבדוק האם וריאציות ה-DCO שלהם המכילות טענות שלא אומתו מציגות ביצועים טובים יותר מאלו הנקיות מבחינה עובדתית, ולשקול האם שיפור הביצועים הזה הוא אכן נכס מותג.

2. מודל קהלים דומים (Lookalike Audience Modeling)

מודלים של קהלים דומים (Lookalike) לוקחים קהל בסיס (seed audience) – מבקרים שהמירו, מעורבים שצפו בסרטון – ומוצאים מיליוני משתמשים חדשים בעלי מאפייני התנהגות דומים בפלטפורמה. אם רשימת הבסיס נבנית ממשתמשים שקיימו אינטראקציה עם וריאציות מודעה שהכילו טענות שווא, או ממשתמשים המתקהלים בתוך תיבות תהודה מקוטבות ביותר, הרחבת ה-Lookalike עשויה לרשת פרופילים אידיאולוגיים ורגשיים הנוטים יותר לשתף מידע מוטעה.

אמצעי זהירות מעשי הוא לבקר את הרכב קהלי הבסיס בעלי הביצועים הגבוהים שהניעו הרחבות Lookalike גדולות, ולבדוק אם היסטוריית המעורבות שלהם תואמת לתוכן שדרש מאוחר יותר תיקון.

3. כלי תוכן של בינה מלאכותית יוצרת (Generative AI)

מודלי שפה גדולים ומחוללי תמונות מייצרים קופי וויז'ואל למודעות מתוך דפוסים בנתוני האימון שלהם. ללא חסמי הגנה מפורשים, כלי AI יוצר עשוי לשחזר סטטיסטיקות מופרכות מילה במילה מכיוון שמספרים אלו מופיעים לעיתים קרובות ברחבי הרשת, במאמרים ישנים, בשרשורי פורומים ובפוסטים שהיו פעם ויראליים.

הסמנים הלשוניים המוזכרים במחקר הנ"ל הקשורים לתוכן שקרי, כגון שפה רגשית טעונה ומבנים רטוריים ספציפיים, עשויים להיות מועתקים על ידי המודל, מה שמעניק לטענה מופרכת מעטה של אמינות רעננה.

לכן, משווקים צריכים להריץ בדיקות פנימיות, להגיש כותרות בסיס המכילות סטטיסטיקות שקריות ידועות כדי לראות אם הכלי משחזר אותן או יוצר וריאציות שיכולות לעבור בדיקה שטחית.

משוואת בטיחות המותג ובזבוז התקציב

כאשר מודעה מקשרת מותג עם סטטיסטיקה מופרכת, מדדי ה-KPI של בטיחות המותג מתחילים להשתנות. ציוני ניתוח הסנטימנט יכולים לרדת ככל שהתגובות הופכות למתקנות. שיעורי ספאם ודיווחים יכולים לעלות אם בודקי עובדות או משתמשים ערניים מסמנים את התוכן.

אותות השליליות שזוהו בניתוח הלשוני – קללות, צפיפות אמוג'י, תגובות רוויות רגש – מציעים אזהרה מוקדמת ניתנת למדידה לכך שהקריאייטיב אולי חצה גבול. תשלום עבור הגברת טענות שווא מבזבז גם תקציב בצורה חתרנית במיוחד: חשיפות שמייצרות תגובת נגד של בדיקת עובדות או יוצרות שרשורי תיקון של משתמשים מייצרות מעורבות שנראית טוב בלוח הבקרה (dashboard) אך מספקת החזר השקעה (ROI) שלילי כאשר היא נמדדת מול בריאות המותג בפועל.

ועדיין, זכרו את האזהרה מהסקירה הרב-תחומית: הקשר בין חשיפה למידע מוטעה לבין תוצאות התנהגות צרכנים מדידות, כגון הימנעות מרכישה, נותר רעוע מבחינה אמפירית. נדרשת זהירות, אך תחזיות מוגזמות על חורבן מיידי של המותג אינן נתמכות על ידי הראיות.

פרוטוקול ביקורת שלב אחר שלב: מלאי, אימות, חסימה

הפרוטוקול מתרגם את המחקר לרצף שכל צוות צמיחה (growth team) יכול לבצע, כאשר כל שלב קשור לקו ראיות ספציפי ולמדד KPI מדיד.

שלב 1: איסוף מלאי

רשמו כל נכס קריאייטיב, משתנה תבנית דינמי, מקור בסיס לקהל והנחיית (prompt) AI יוצר המשמשים בקמפיינים פעילים ומתוכננים כעת. תייגו כל נכס המכיל טענות סטטיסטיות, מספרים הקשורים לבריאות, התייחסויות פוליטיות או שפה הקשורה למשבר (שיעורי תחלואה ב-COVID-19, סטטיסטיקות בחירות, מדדים כלכליים). מלאי זה הופך לבסיס לשאר הביקורת.

קישור ל-KPI: משכו את מדדי בטיחות המותג הנוכחיים שלכם, ציוני סנטימנט התגובות, סימוני אימות של צד שלישי, חלקן של החשיפות המסומנות, עבור השבוע שלפני הביקורת. אלה הם מדדי הייחוס שלפני ההתערבות.

שלב 2: אימות טענות

הצליבו כל טענה עובדתית במלאי מול מקורות ראשוניים ומאגרי מידע מוכרים של בדיקת עובדות, אותם מקורות Snopes ו-PolitiFact ששימשו במחקר הלשוני.

כאשר אתם נתקלים בסטטיסטיקה מופרכת, אל תיצרו גרסה מתוקנת שחוזרת על הטענה השקרית בצורה שוללת ("X אינו נכון"). שלילות כאלה יכולות לחזק בשוגג את הטענה השקרית, דפוס התואם את אותות תגובת הנגד שנצפו בניתוח התגובות.

במקום זאת, החליפו את הטענה לחלוטין בהצהרה אמיתית מאומתת. עבור תוצרי AI יוצר, הכניסו נקודת ביקורת אנושית מחייבת לפני שקופי כלשהו שנוצר על ידי AI עובר לפיד DCO.

שלב 3: הגדרת כללי חסימה (Suppression Rules)

הפעילו כללי חסימה אוטומטיים בתוך פלטפורמות הפרסום שלכם באמצעות החתימות הלשוניות והרגשיות שזוהו במחקר:

• עצרו כל וריאציית מודעה שסעיף התגובות שלה חורג מהסף של אותות מודעות למידע מוטעה, במיוחד יחס גבוה של קללות או שימוש נרחב באמוג'י ביחס לנורמה בחשבון שלכם.

• חסמו פלחי קהל המציגים דפוסי מעורבות הקשורים לחרדה גבוהה או כעס עם תוכן רגיש. בעוד שפלחים אלה עשויים להראות שיעורי קליקים גבוהים, הם גם מציגים סיכון גדול יותר להפעלת לולאת תגובת הנגד (backfire).

• בנו מאגר מידע של טענות חסומות ומינעו כניסה חוזרת של כל כתובת אתר מופרכת, מחרוזת סטטיסטית או טענת שווא מנוסחת מחדש לספריית ה-DCO שלכם. זה מונע מהאלגוריתם להציף מחדש וריאציה ישנה ובעייתית שפעם הציגה ביצועים טובים במדדי מעורבות שטחיים.

מדדו את התוצאה על ידי מעקב אחר שלושת המספרים הללו לאחר שכללי החסימה עולים לאוויר: אחוז הירידה בסימוני בדיקת עובדות בקריאייטיב של מודעות, השינוי בזינוקים בסנטימנט שלילי לאחר השקת המודעה, וההפחתה בהוצאות בתשלום המופנות למיקומי מודעות שמייצרים שיעורי דיווח גבוהים.

מכיוון שהקשר בין אותות תגובות לבין הפצה בפועל של מידע מוטעה הוא מתאמי, זיהוי אינו מניעה. הפרוטוקול הוא שכבת הפחתת סיכונים, לא תרופה מושלמת.

סיכום

השילוב של כלי שיווק אוטומטיים מציג סיכון ייחודי להגברה לא מכוונת של מידע מוטעה דיגיטלי. מערכות המיועדות למהירות ולקנה מידה יכולות למחזר טענות מופרכות לתוך קמפיינים פעילים ללא פיקוח אנושי. טרנספורמציה זו של סכנה תדמיתית לבעיית מרטק (martech) טכנית דורשת תשומת לב מיידית מצוותי צמיחה.

בעוד שהקשר הסיבתי בין חשיפה למידע מוטעה לבין התנהגות צרכנים ספציפית נותר נושא לדיון אקדמי, הפחתה פרואקטיבית היא חיונית. יישום פרוטוקולי ביקורת מובנים משמש כאמצעי הגנה הפיך ובעלות נמוכה לשמירה על שלמות המותג. על ידי חסימת טענות שווא מאומתות, משווקים מגנים על יעילות התקציב שלהם ועל בטיחות המותג לטווח ארוך.

פרוטוקול הביקורת שלכם מנקה טענות שווא, אך מה בונה זכירת מותג מתמשכת? למדו מדוע צוותים מודרניים פונים לנוירוטכנולוגיה כדי לעקוף את הניחושים ולקבל תובנות (Insight) מגובות נתונים לגבי האופן שבו הקהל שלכם באמת תופס את המותג שלכם.

מקורות

1. Törnberg, P. (2018). Echo chambers and viral misinformation: Modeling fake news as complex contagion. PLoS one, 13(9), e0203958. https://doi.org/10.1371/journal.pone.0203958

2. Freiling, I., Krause, N. M., Scheufele, D. A., & Brossard, D. (2023). Believing and sharing misinformation, fact-checks, and accurate information on social media: The role of anxiety during COVID-19. New media & society, 25(1), 141-162. https://doi.org/10.1177/14614448211011451

3. Han, J., Cha, M., & Lee, W. (2020). Anger contributes to the spread of COVID-19 misinformation. Harvard Kennedy School Misinformation Review, 1(3).

4. Jiang, S., & Wilson, C. (2018). Linguistic signals under misinformation and fact-checking: Evidence from user comments on social media. Proceedings of the ACM on Human-Computer Interaction, 2(CSCW), 1-23. https://doi.org/10.1145/3274351

5. Adams, Z., Osman, M., Bechlivanidis, C., & Meder, B. (2023). (Why) is misinformation a problem?. Perspectives on Psychological Science, 18(6), 1436-1463. https://doi.org/10.1177/17456916221141344

שאלות נפוצות

מהו אפקט תיבת התהודה וכיצד הוא מסייע להפצת מידע מוטעה?

אפקט תיבת התהודה התרחש כאשר קבוצות מקוטבות ומחוברות באופן הדוק חולקות דעות משותפות, מה שמאפשר להדבקות מורכבות כמו מידע מוטעה לנוע מהר יותר ורחוק יותר. מומנטום ראשוני זה של הטרנד יכול לדחוף טענות שווא מאלמוניות לחשיפה רחבה, במיוחד בקרב קהלי פרסום הדומים מבחינה מבנית לתיבות תהודה כאלה.

כיצד חרדה וכעס משפיעים על הסבירות של אנשים לשתף מידע מוטעה במודעות?

חרדה מוגברת גורמת לאנשים להאמין ולשתף בסבירות גבוהה משמעותית את כל סוגי הטענות, כולל טענות שקריות, על ידי הפחתת מסננים קוגניטיביים. בדומה לכך, כעס מוביל אנשים לדרג טענות שווא כאמינות יותר מבחינה מדעית, כאשר מצבים רגשיים אלה עלולים להניע מעורבות במודעות המכילות סטטיסטיקות מופרכות.

מהו אפקט התוצאה ההפוכה (backfire) ומדוע הוא בעייתי עבור מותגים?

אפקט התוצאה ההפוכה מתרחש כאשר מאמרי בדיקת עובדות מייצרים תגובות משתמשים שמחזקות אמונות שווא במקום לתקן אותן, כגון קללות, שימוש כבד באמוג'י וסימנים של מודעות למידע מוטעה. כאשר סטטיסטיקה מופרכת מופיעה במודעה, שרשורי התיקון ותגובות הרעל הנובעים מכך יכולים להגביר באופן אלגוריתמי את הטענה הכוזבת, ובכך להחמיר את הקישור של המותג אליה.

כיצד פלטפורמות אופטימיזציה של קריאייטיב דינמי (DCO) יכולות להפוך לוקטורים של מידע מוטעה?

פלטפורמות DCO בוחנות באופן אלגוריתמי וריאציות של מודעות ומפנות תקציב לעבר אלו בעלות מעורבות גבוהה. אם תוכן רגשי המניע חרדה או כעס מוביל לשיתוף, ה-DCO עשוי להעדיף קריאייטיב עם סטטיסטיקות מופרכות מכיוון שווריאציות אלו מעוררות את אותם דלקים רגשיים שמניעים שיתוף מידע מוטעה.

כיצד כלי תוכן של בינה מלאכותית יוצרת (Generative AI) יכולים לשחזר סטטיסטיקות מופרכות?

כלי AI יוצר מייצרים קופי למודעות מתוך דפוסים בנתוני האימון שלהם, אשר עשויים להכיל סטטיסטיקות מופרכות ממאמרים ישנים או שרשורי פורומים. ללא חסמי הגנה, ה-AI יכול לשחזר מספרים אלו מילה במילה, וניתן לחקות את הסמנים הלשוניים של תוכן שקרי, מה שמעניק לטענה המופרכת מראה רענן.

מהי משוואת בטיחות המותג בעת שימוש בסטטיסטיקות מופרכות במודעות?

כאשר מודעה מקשרת מותג עם סטטיסטיקה מופרכת, מדדי ה-KPI של בטיחות המותג יכולים להשתנות: ציוני הסנטימנט יורדים, שיעורי הספאם והדיווחים עולים, ואותות שליליות כמו קללות וצפיפות אמוג'י עולים. תשלום עבור הגברת טענות שווא מבזבז תקציב על מעורבות שנראית טוב בלוחות הבקרה אך מספקת ROI שלילי כאשר היא נמדדת מול בריאות המותג בפועל.

מהי האזהרה המרכזית לגבי הקשר בין מידע מוטעה לנזק בעולם האמיתי?

סקירה רב-תחומית מזהירה שבעוד שטכנולוגיית המידע מאפשרת עיוותים של האמת, התנהגויות פסולות טרם הוכחו באופן אמפירי ומהימן כתוצאה של מידע מוטעה; ייתכן שיש כאן בלבול בין מתאם לסיבתיות. המשמעות היא שהצגת יתר של הסכנה אינה נחוצה, אך התעלמות משרשרת ברורה של סנטימנט שלילי ובזבוז תקציב תהיה חסרת אחריות.

מהם שלושת השלבים בפרוטוקול הביקורת להפחתת הסיכון של מידע מוטעה?

פרוטוקול הביקורת כולל שלושה שלבים: איסוף מלאי של כל נכסי הקריאייטיב ותיוג טענות, ביצוע אימות טענות מול מאגרי מידע של בדיקת עובדות והחלפת סטטיסטיקות מופרכות בהצהרות אמיתיות מאומתות, והגדרת כללי חסימה על בסיס חתימות לשוניות ורגשיות כמו קללות ושימוש באמוג'י. זה יוצר שכבת הפחתת סיכונים, לא תרופה מושלמת.

מדוע פרוטוקול הביקורת נחשב לאמצעי הגנה הפיך ובעלות נמוכה ולא להכרח מוכח?

בסיס הראיות אינו בוחן באופן ישיר האם מערכות MarTech מפיצות מחדש באופן שיטתי סטטיסטיקות מופרכות; הנתיבים הם אקסטרפולציות מושכלות ממדע בסיסי. פרוטוקול הביקורת הוא אמצעי הגנה בעלות נמוכה והפיך מפני סיכון בעל חיסרון תדמיתי ופיננסי משמעותי במידה והנתיבים המשוערים יתבררו כנכונים.