علی جراحی در گفت‌وگو با ایسنا اظهار کرد: گسترش اینترنت و زیرساخت‌های رسانه‌های اجتماعی موجب شده است بسیاری از مردم اخبار و اطلاعات مورد نیاز خود را از طریق این رسانه‌ها دنبال کنند. رسانه‌های اجتماعی از یک سو به دلیل سرعت بالای انتشار اطلاعات، به ابزاری مهم برای خبرنگاران و شهروندان تبدیل شده‌اند و از سوی دیگر، به دلیل نبود سازوکارهای کافی برای کنترل و راستی‌آزمایی محتوا، زمینه انتشار سریع و گسترده اطلاعات نادرست و اخبار جعلی را نیز فراهم کرده‌اند.
وی تصریح کرد: در پایان‌نامه خود با عنوان «ارائه یک مدل کارا برای تشخیص خودکار خبر جعلی در رسانه‌های اجتماعی»، به بررسی روش‌های خودکار و کارآمد برای شناسایی اخبار جعلی در این بستر پرداخته‌ام.
جراحی ادامه داد: یکی از مهم‌ترین موجودیت‌ها در تعیین صحت یک بیانیه خبری در رسانه‌های اجتماعی، ناشر خبر است. از این رو، در این پایان‌نامه ویژگی‌های مختلف ناشران از جمله اعتبار، اثرگذاری، اجتماعی بودن، تأییدشدگی و طول عمر مورد بررسی قرار گرفته و نقش آنها در تشخیص خبر جعلی ارزیابی شده است.
وی ادامه داد: امروز نقش رسانه‌های سنتی مانند روزنامه و تلویزیون در دریافت اخبار، در مقایسه با گذشته کمرنگ‌تر شده و رسانه‌های اجتماعی به یکی از روش‌های اصلی دریافت اخبار برای شهروندان تبدیل شده‌اند.
او افزود: خبرنگاران می‌توانند از رسانه‌های اجتماعی برای گزارش افکار عمومی درباره اخبار منتشر شده و حتی شناسایی و انتشار خبرهای بالقوه استفاده کنند. شهروندان نیز از طریق کانال‌های خبری رسمی یا پست‌های منتشرشده در شبکه‌های ارتباطی خود، اخبار را دنبال می‌کنند.
جراحی ادامه داد: این رسانه‌ها به‌ویژه در شرایط بحرانی می‌توانند اهمیت بیشتری پیدا کنند، زیرا اخبار فوری را با سرعت بیشتری نسبت به رسانه‌های سنتی منتشر می‌کنند. با این حال، همین سرعت و گستردگی انتشار، در صورت نبود کنترل و راستی‌آزمایی، می‌تواند به انتشار اطلاعات نادرست و تأییدنشده منجر شود.
این پژوهشگر حوزه رسانه تأکید کرد: کاربران در بسیاری از موارد بدون بررسی اعتبار اطلاعات یا منابع آن، اقدام به انتشار یا بازنشر مطالب می‌کنند و حتی یک عنوان خبری جذاب می‌تواند موجب شود مطلبی با وجود نادرست یا تأییدنشده بودن، بارها به اشتراک گذاشته شود.
جراحی با اشاره به نمونه انتخابات ریاست‌جمهوری آمریکا در سال ۲۰۱۶، به میزان بالای واکنش، اظهارنظر و اشتراک‌گذاری برخی مطالب انتخاباتی نادرست در فیسبوک، گفت: خبر جعلی به‌طور ساده خبری نادرست تعریف شده است که با قصد گمراه کردن عموم مردم یا گروهی خاص ارائه می‌شود.
وی تصریح کرد: قرار گرفتن بیش از حد انسان‌ها در معرض اطلاعات فریبنده می‌تواند توانایی آنها را در تشخیص اطلاعات درست از نادرست کاهش دهد. همچنین پژوهش‌های حوزه روان‌شناسی اجتماعی و ارتباطات نشان داده‌اند که توانایی انسان در تشخیص فریب، تنها اندکی بالاتر از شانس است؛ به‌طوری که میانگین دقت ۵۴ درصد در بیش از ۱۰۰ آزمایش با مشارکت بیش از هزار نفر گزارش شده است.
او با توجه به اهمیت تشخیص زودهنگام اخبار جعلی، گفت: یک مدل چندوجهی ارائه شده که بر ویژگی‌های موجود در داده‌های زمینه اجتماعی تمرکز دارد تا فرآیند تشخیص با تأخیر مواجه نشود.
جراحی با اشاره به مدل ارائه شده، ادامه داد: در مدل پیشنهادی، ویژگی‌های ناشران خبر به‌عنوان یکی از مرتبط‌ترین موجودیت‌ها در رسانه‌های اجتماعی در حوزه اخبار، مورد استفاده قرار گرفته‌اند؛ چرا که این ویژگی‌ها در زمان انتشار خبر در دسترس هستند و می‌توانند در کنار محتوای خبر، امکان تشخیص دقیق و زودهنگام خبر جعلی را فراهم کنند.
این پژوهشگر دانشگاه زنجان در همین راستا ضمن بررسی ویژگی‌های اصلی ناشران و ارائه الگوریتم‌هایی برای استخراج این ویژگی‌ها، یک شبکه عصبی کانولوشنی جدید ارائه کرده است که می‌تواند ویژگی‌های پنهان موجود در محتوای متن خبر را با تحلیل همزمان در سطح کلمه و جمله استخراج کند و ویژگی‌های اضافی مانند ویژگی‌های ناشران را نیز در سطح جمله با محتوای خبر ترکیب کند.
وی ادامه داد: در این پژوهش، چارچوبی چندوجهی با عنوان FR-Detect برای شناسایی اخبار جعلی پیش از مرحله انتشار پیشنهاد شده است. این مدل به‌صورت همزمان از ویژگی‌های مرتبط با محتوا و ویژگی‌های ناشران برای بهبود عملکرد تشخیص استفاده می‌کند.
جراحی افزود: از جمله ویژگی‌های ناشران که در این مدل بررسی شده‌اند می‌توان به اعتبار، اثرگذاری، اجتماعی بودن، تأییدشدگی و طول عمر اشاره کرد. پس از ارزیابی عملکرد هر یک از این ویژگی‌ها، ویژگی‌های کارآمدتر در مدل نهایی مورد استفاده قرار گرفته‌اند.
او با اشاره به چارچوب پیشنهادی، گفت: چارچوب پیشنهادی دارای سه بخش اصلی شامل استخراج‌کننده‌های ویژگی، یکپارچه‌ساز و طبقه‌بند است.
جراحی تاکید کرد؛ همچنین یک شبکه عصبی کانولوشنی در سطح جمله یا SLCNN طراحی شده است. هدف از طراحی این شبکه، توجه همزمان به تحلیل سطح جمله و سطح کلمه در محتوای خبر عنوان شده است. در این شبکه، عنوان و جملات متن خبر به یک تنسور سه‌بعدی تبدیل می‌شوند؛ به‌گونه‌ای که عنوان و جملات بدنه خبر یک بُعد، کلمات جملات بُعد دوم و بردارهای تعبیه کلمات بُعد سوم این تنسور را تشکیل می‌دهند.
این پژوهشگر با اشاره به یکی دیگر از بخش‌های اصلی این پژوهش، ارائه الگوریتمی با عنوان CreditRank برای ارزیابی اعتبار ناشران در شبکه‌های اجتماعی، گفت: بر اساس این پژوهش، اعتبار یک خبر منتشر شده ارتباط مستقیمی با اعتبار ناشر آن دارد. از این منظر، اعتبار ناشران از دو جنبه بررسی شده است؛ نخست سابقه ناشر در انتشار اخبار و دوم رتبه اعتباری او در رسانه اجتماعی.
او تأکید کرد: برخلاف سابقه فعالیت، رتبه اعتباری در رسانه اجتماعی توسط ناشران قابل دستکاری نیست و به همین دلیل در الگوریتم پیشنهادی مورد توجه قرار گرفته است.
وی توضیح داد: الگوریتم CreditRank برای هر ناشر یک بردار سه‌گانه شامل رتبه اعتباری ناشر، تعداد اخبار جعلی منتشرشده و تعداد کل اخبار منتشرشده ایجاد می‌کند. سپس ناشران مرتبط با هر خبر انتخاب شده و با میانگین‌گیری، بردار اعتبار خبر محاسبه می‌شود.
جراحی با اشاره به تعریف ارائه شده در رابطه با اثرگذاری، توضیح داد: اثرگذاری یک کاربر در رسانه اجتماعی عبارت است از میانگین اثری که خبرهای منتشرشده توسط آن کاربر بر سایر کاربران رسانه اجتماعی دارد.
این پژوهشگر برای محاسبه این ویژگی، شبکه دنبال‌کنندگان کاربران را مورد توجه قرار داده است. در این مدل، دنبال‌کنندگان سطح اول، خبر منتشرشده توسط ناشر را مستقیماً دریافت می‌کنند و دنبال‌کنندگان سطح دوم در صورتی خبر را دریافت می‌کنند که گیرنده سطح قبلی آن را با احتمال مشخصی بازنشر کند. این روند در سطوح بعدی نیز ادامه پیدا می‌کند.
جراحی با اشاره به نتایج تجربی این پژوهش، افزود: استفاده از ویژگی‌های ناشران می‌تواند عملکرد مدل مبتنی بر محتوا را به‌ترتیب تا ۱۶ درصد در معیار Accuracy و ۳۱ درصد در معیار F1 بهبود دهد. همچنین رفتار ناشران در حوزه‌های مختلف خبری مورد مطالعه و تحلیل آماری قرار گرفته است.
وی گفت: در بخش آزمایش‌های پژوهش نیز عملکرد مدل‌های مختلف روی دو مجموعه‌داده مطرح در حوزه تشخیص خبر جعلی، یعنی GossipCop و Politifact، مقایسه شده است.
جراحی بر اساس جدول نتایج توضیح داد: مدل FR-Detect در مجموعه‌داده GossipCop به مقادیر ۰.۹۷۵ برای F1، ۰.۹۶۶ برای Recall، ۰.۹۸۵ برای Precision و ۰.۹۸۸ برای Accuracy دست یافته است. در مجموعه‌داده Politifact نیز این مدل به ترتیب مقادیر ۰.۹۸۹ برای F1، ۱.۰۰۰ برای Recall، ۰.۹۷۹ برای Precision و ۰.۹۹۰ برای Accuracy را ثبت کرده است.
به گزارش ایسنا، نتایج این تحقیق همچنین در مجله Applications and Tools Multimedia منتشر شده است.
انتهای پیام
