Yazar:  (1) Yiğit Ege Bayiz, Elektrik ve Bilgisayar Mühendisliği The University of Texas, Austin Austin, Texas, ABD (E-posta: egebayiz@utexas.edu);  (2) Ufuk Topçu, Havacılık ve Uzay Mühendisliği ve Mekanik Mühendisliği The University of Texas, Austin Austin, Texas, ABD (E-posta: utopcu@utexas.edu).  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.  Bu makale   . arxiv'de CC 4.0 lisansı altında mevcuttur

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Crafting compelling perspectives in media, sparking thought-provoking discussions on diverse opinions and viewpoints.

Editorialist's blog

Bu ses hikayenin orijinal dilinde üretilmiştir!

Çok uzun; Okumak

Boost your HackerNoon story @ $159.99! 🚀

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

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Kullanıcı Odaklı Kripto Ürünleri Oluşturma: Müşteri Geri Bildiriminin Önemi

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Kullanıcı Odaklı Kripto Ürünleri Oluşturma: Müşteri Geri Bildiriminin Önemi

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps