GML (Graph Machine Learning)

GML (Graph Machine Learning)

یادگیری ماشین گراف
GML (Graph Machine Learning)

GML (Graph Machine Learning)

یادگیری ماشین گراف

مروری بر انتشار شایعات

عوامل روانشناختی، اجتماعی و فنی: این بررسی به بررسی این موضوع می‌پردازد که چگونه این عوامل در انتشار شایعات و تأثیر آنها بر شهرت، وحشت و تصمیم‌گیری در شبکه‌های اجتماعی نقش دارند [3] [4].

تعریف شایعه: شایعات به عنوان ادعاها یا اطلاعات تأیید نشده‌ای تعریف می‌شوند که به سرعت از طریق تعاملات اجتماعی، به ویژه در پلتفرم‌های رسانه‌های اجتماعی پخش می‌شوند [4].

  
 

یافتههای کلیدی

مکانیسمهای انتشار: شایعات از طریق شبکه‌های اجتماعی از طریق تعاملاتی مانند اشتراک‌گذاری، لایک و کامنت منتشر می‌شود. ساختار شبکه نقش مهمی ایفا می‌کند، با جوامعی که به طور متراکم متصل هستند انتشار سریعتر را تسهیل می‌کنند [2][4].

آبشارهای اطلاعاتی: این نظرسنجی نشان می‌دهد که چگونه شایعات اغلب از طریق آبشارهای اطلاعاتی منتشر می‌شوند، جایی که یک کاربر شایعه را با دیگرانی که به انتشار بیشتر آن ادامه می‌دهند به اشتراک می‌گذارد [2][4].

 

تکنیکهای تشخیص و تجزیه و تحلیل

شبکههای عصبی گراف (GNN): GNNها به دلیل توانایی آنها در تجزیه و تحلیل روابط پیچیده در داده‌های گراف، به طور فزایندهای برای مسائل تشخیص شایعه استفاده می‌شوند. آنها می‌توانند به طور موثر الگوهای نشان دهنده انتشار شایعات را شناسایی کنند [2][4]. مدل‌های مختلفی برای تشخیص شایعات پیشنهاد شده است، از جمله:

Propagation2Vec: مدلی که اهمیت متفاوتی به گره‌ها در شبکه‌های انتشار می‌دهد.

مکانیسم توجه سلسله مراتبی: برای رمزگذاری شبکه‌های انتشار و تخصیص وزن به آبشارهای مختلف استفاده می‌شود.

شبکه‌های توجه چند نما (MVAN): بر روی توییتهای منبع و ساختارهای انتشار آنها برای تشخیص زودهنگام شایعات متمرکز است [2].

 

چالشها و جهت‌گیری‌های آینده

شکافهای تحقیقاتی: این نظرسنجی چالش‌هایی را در درک پویایی انتشار شایعات و نیاز به استراتژی‌های تشخیص موثر شناسایی می‌کند. این بر اهمیت تجزیه و تحلیل ساختار جامعه و بینش رفتار کاربر برای بهبود سیستم‌های تشخیص شایعه تاکید می‌کند [4][6].

رویکردهای میان رشته‌ای: فراخوانی برای تحقیقات میان رشته‌ای که ترکیبی از روانشناسی، جامعه شناسی و علوم کامپیوتر است تا مدل‌های جامعی برای درک و کاهش شایعات منتشر شده در شبکه‌های اجتماعی ایجاد کند [3][4].

 

نتیجهگیری

این نظرسنجی یک نمای کلی از مکانیسمهای پشت انتشار شایعات در شبکه‌های اجتماعی ارائه می‌دهد و اهمیت درک عوامل فنی و انسانی را برجسته می‌کند. این مقاله بر نیاز به تکنیکهای تشخیص پیشرفته، به ویژه آنهایی که از GNNها استفاده می‌کنند، برای مقابله با چالش‌های ناشی از اطلاعات نادرست در محیطهای ارتباط دیجیتال، تاکید می‌کند.


[1] https://ijisae.org/index.php/IJISAE/article/view/5404

[2] https://arxiv.org/html/2501.05292v1

[3] https://dl.acm.org/doi/10.1145/3716498

[4] https://www.researchgate.net/publication/388776186_A_Survey_on_Exploring_Real_and_Virtual_Social_Network_Rumors_State-of-the-Art_and_Research_Challenges

[5] https://dl.acm.org/doi/10.1145/3161603

[6] https://www.researchgate.net/publication/387872938_Detection_of_Rumors_and_Their_Sources_in_Social_Networks_A_Comprehensive_Survey

[7] https://monadi.isc.org.ir/article-1-139-en.html

نظرات 0 + ارسال نظر
ایمیل شما بعد از ثبت نمایش داده نخواهد شد