Sahte Haberlerle Mücadelede Etkili Yöntemler: Sansür, Çürütme ve Ön Bilgilendirme

Bağlantı Tablosu

Özet ve Giriş

İlgili Çalışmalar

Ön Hazırlıklar

Optimal Ön Yatırma Sorunu

Deterministik Temel Politikalar

Geçici Olarak Eşit Mesafeli Ön Yataklama

Sayısal sonuçlar

Sonuç ve Referanslar

II. İLGİLİ ÇALIŞMALAR

A. Yanlış Bilgiyle Mücadele

Yanlış bilgiyle mücadele yöntemlerini dört kategoriye ayırıyoruz: sansür, yalanlama, ön yalanlama ve tanımlama. İlk üç kategorinin tümü yanlış bilginin etkisini azaltmaya çalışır. Sansür, bilginin ağda yayılmasını kontrol etmeye çalışarak yanlış bilginin yayılmasını engellemeyi amaçlayan herhangi bir yöntemi ifade eder [7], [8]. Sansür, sosyal ağ platformlarında yaygındır ancak ifade özgürlüğüyle ilgili önemli sorunları gündeme getirmektedir.

Hata ayıklama, yanlış bilgi yayıldıktan sonra kullanıcılara doğru bilgiyi sağlayarak yanlış bilgiyi düzeltmeyi ifade ederken, ön yalanlama, yanlış bilgi yayılmadan önce doğru bilgiyi yayınlamayı ifade eder. Sahtekarlığın otomatik bir örneği, tamamı yanlış bilgi veren metin içeriğini çürütmeyi amaçlayan çok sayıda otomatik doğrulama yöntemidir [9], [10]. Sosyal psikolojinin mevcut anlayışı, yanlış bilgiye karşı koymadaki etkinliği açısından ön suçlamanın, çürütmeye göre daha üstün olduğunu göstermektedir [4], [6], [11]. Bu yazıda, bir sosyal ağ platformundaki kullanıcılara ön ranzaların teslim sürelerini otomatik olarak optimize etmek için algoritmalar geliştirerek, ön ranza otomasyonuna katkıda bulunuyoruz.

Tanımlama, bir sosyal ağdaki yanlış bilgilendirici içeriği tespit etmeyi amaçlayan herhangi bir yöntemi ifade eder. Bu modeller sıklıkla doğal dil işleme modellerini kullanır [12], [13]. Del Vicario ve diğerleri. [14], yanlış bilginin yayılma özelliklerinin, içerik sınıflandırmasına dayanmaksızın tespite izin verdiğini göstermiştir. Daha yakın zamanlarda Shaar ve ark. [15] halihazırda doğruluğu kontrol edilmiş iddiaların belirlenmesine yönelik bir yöntem sunmaktadır. Bu yazıda doğrudan yanlış bilgi tespitini kullanmıyoruz. Ancak yanlış bilgi içeriğini zaten bildiğimizi varsayıyoruz, dolayısıyla doğru yanlış bilgi tespiti, sunduğumuz yöntemler için bir ön koşul olmaya devam ediyor.

B. Söylenti Yayılma Modelleri

Teslimatların ön ödemesi için en uygun zamanların belirlenmesi, yanlış bilginin ilgili kullanıcıya ne zaman ulaşacağına ilişkin doğru tahminler gerektirir. Bu tahmin bir söylenti yayılım modeli gerektirir. Bu yazıda, yanlış bilgi yayılımını modellemek için büyük ölçüde bölümsel modeller olarak da bilinen salgın modellerine [16] güveniyoruz. Adından da anlaşılacağı gibi, bu modeller epidemiyolojiye dayanmaktadır ve kullanıcıları duyarlı veya enfekte gibi farklı kategorilere ayırarak söylenti yayılımını modelliyor ve daha sonra bu bölümlerin zaman içinde etkileşime girmesini sağlayan kuralları tanımlıyor. Yanlış bilgilendirme modellemesinde kullanılan çok çeşitli salgın modelleri bulunmaktadır [17]. Bunlardan en yaygın olanları SI [18], SIR [19], [20], SIS [21], [22] modelleridir. SI (duyarlı-virüslü) modellerin modellenmesi kolaydır ve genellikle rastgele grafik modelleriyle analize izin veren tek modeldir. SIR (duyarlı-enfekte-kurtarılmış) ve SIS (duyarlı-enfekte-duyarlı), SI modelini geliştirerek simülasyonlara önemli bir hesaplama karmaşıklığı getirmeden onları daha doğru hale getirir. Bu iyileştirmelere rağmen SI yayılımı, basitliği ve yanlış bilgilendirmeyle mücadelede en kritik aşama olan yanlış bilgi yayılımının ilk aşaması için SIS ve SIR modelleriyle karşılaştırılabilir davranışa sahip olması nedeniyle hala kullanım alanı bulmaktadır. Bu makale boyunca yanlış bilgi yayılımını tahmin etmek için bir SI modeli kullanıyoruz.