نهج متعدد الوسائط للتعرّف على الأخبار المزيفة والعُقد المؤثرة في نشرها باستخدام التعلم العميق وتحليل الشبكات

لماذا هذا مهم في الحياة اليومية

يوميًا، يتصفح ملايين الأشخاص وسائل التواصل الاجتماعي ويرون منشورات حول الصحة والسياسة والمال وغير ذلك. ضمن المعلومات المفيدة تتخلّلها شائعات وأخبار مزيفة قد تثير الخوف أو الارتباك أو تتسبب في ضرر حقيقي. تقدّم هذه الدراسة وسيلة قوية لتحقيق هدفين معًا: أولاً، اكتشاف المنشورات الخاطئة أو المضللة تلقائيًا، وثانيًا، رسم خريطة لمن هم الأكثر مسؤولية عن نشرها داخل مجتمع على الإنترنت. ركّز العمل على تغريدات تويتر حول كوفيد‑19، لكن الأفكار قد تساعد المنصات والصحفيين والجمهور على الاستجابة بشكل أسرع وأكثر دقّة للمعلومات المضللة الضارة في مجالات عدة من الحياة.

كيف تتدافع الشائعات عبر الجماهير الإلكترونية

يمكن تصور الشبكات الاجتماعية مثل تويتر أو فيسبوك أو تطبيقات المراسلة كشبكات هائلة من الأشخاص (عُقد) المرتبطين بتفاعلاتهم (روابط). عندما ينشر مستخدم رسالة ويرد الآخرون عليها أو يعيدون نشرها، يمكن لتلك المعلومات أن تنتشر بسرعة عبر الشبكة. تتصرف الشائعات—المزاعم غير المؤكدة أو الخاطئة—بشكل شبيه بالأمراض المعدية: قد تقفز من شخص لآخر، وتنمو بسرعة، ويصعب إيقافها. تناولت الأبحاث السابقة غالبًا سؤالين منفصلين: كيف نكشف ما إذا كانت مشاركة معينة شائعة أم لا، وكيف نعثر على "الناشرين" الرئيسيين الذين يساعدون الشائعة على الوصول إلى كثيرين. يجادل المؤلفون بأن معالجة السؤالين معًا، مع الانتباه أيضًا لكيفية ارتباط الشبكة وكيف يتبدل النشاط مع الزمن، تعطي صورة أوضح بكثير عن كيفية تحرك القصص الكاذبة.

تعليم الحاسوب قراءة المشاركات المشكوك فيها ووضع علامات عليها

يركّز الجزء الأول من الأسلوب على محتوى كل تغريدة. يعامل الباحثون كل تغريدة كمستند قصير ويقومون بتنقيتها بإزالة الفوضى مثل الرموز الزائدة، واستبدال الروابط الإلكترونية وعناوين البريد بعلامات بسيطة، وإزالة كلمات الحشو الشائعة التي تضيف القليل من المعنى. ثم يترجمون كل كلمة إلى متجه رقمي باستخدام تقنية معروفة تُدعى GloVe، والتي تلتقط كيف تميل الكلمات إلى الظهور معًا عبر مجموعات نصية كبيرة. من خلال حساب متوسط متجهات الكلمات، تتحول كل تغريدة إلى ملخص رقمي مضغوط لمعناها. تُغذى هذه الملخصات بعد ذلك إلى شبكة عصبية التفافية بُعد‑واحد—وهي نوع من نماذج التعلم العميق القادر على اكتشاف أنماط دقيقة—ليقرر ما إذا كانت التغريدة رسالة حقيقية أم شائعة.

العثور على الناشرين الرئيسيين داخل الشبكة

بعد أن يفرّق النظام بين تغريدات الشائعات والتغريدات الحقيقية، يتجه الجزء الثاني من النهج إلى بنية الشبكة الاجتماعية نفسها. كل مستخدم هو نقطة في رسم بياني موجه وموزون، وكل رد أو إعادة تغريد يصبح رابطًا تعكس قوّته عدد المرات التي يتفاعل فيها مستخدم مع رسائل آخر. باستخدام هذه المعلومات، يقوم المؤلفون أولاً بتجميع المستخدمين في مجتمعات—مجموعات تتفاعل أكثر مع بعضها منها مع الخارج—عن طريق بناء تمثيل شجري خاص للشبكة ثم دمج المجموعات الفرعية المتصلة ارتباطًا وثيقًا بناءً على مدى انسجامها. داخل هذه المجتمعات، يحسبون عدد المرات التي يقع فيها كل مستخدم على أهم المسارات بين الآخرين، وهو مقياس يُعرف بالوساطة (betweenness). يُعامل المستخدمون الذين يظهرون مرارًا على مسارات ذات قيمة عالية كناشرين مؤثرين. ثم تُحدّث أوزان الروابط لتعكس كلًا من تكرار التفاعل ومركزية المستخدمين المتصلين، كاشفة عن أكثر المسارات احتمالًا التي تسلكها الشائعات عبر الشبكة مع الزمن.

ما كشفته دراسة حالة كوفيد‑19

لاختبار الإطار، طبّق الباحثون النموذج على مجموعة ضخمة من بيانات تويتر حول كوفيد‑19: ما يقرب من 100 مليون تغريدة شملت أكثر من 150,000 مستخدم، استخرجوا منها أكثر من 14,000 رسالة فريدة مصنفة إما كمعلومات موثوقة أو كشائعات. على هذه البيانات، صنّف نموذجهم العميق نحو 99 في المئة من التغريدات بشكل صحيح، متفوقًا على عدة طرق موجودة، بما في ذلك أدوات كشف الأخبار المزيفة المتقدمة الأخرى. في المرحلة الثانية، قارنوا قائمتهم من المستخدمين المؤثرين مع نموذج رياضي معروف لانتشار المعلومات، فوجدوا أعلى درجات الاتفاق بين الطرق المختبرة. وأظهروا أيضًا أنه عندما حللوا فترات زمنية أطول—120 ثم 240 ثم 360 يومًا—تحسّنت قدرة النموذج على تحديد الناشرين الرئيسيين والمسارات الأساسية للشائعات، وفعل ذلك بزمن معالجة أقل من تقنيات الشبكة المنافسة.

ما معنى ذلك لمكافحة المعلومات المضللة

ببساطة، تُظهر الدراسة أنه من الممكن بناء نظام لا يكتشف الأخبار المزيفة المحتملة بدقة عالية فحسب، بل يتتبّع أيضًا كيفية سفرها ومن المسؤول إلى حدّ كبير عن نشرها. بدلاً من معاملة جميع المستخدمين والروابط على قدم المساواة، يبرز الأسلوب مجموعة أصغر من المجتمعات والأفراد الذين يهمّ سلوكهم أكثر للسيطرة على القصص الضارة. ومع أن العمل نُفّذ على بيانات تويتر مجهولة الهوية حول كوفيد‑19 وقد لا يعمم مباشرة على كل منصة أو موضوع، إلا أنه يشير إلى مسار نحو استجابات أكثر استهدافًا ومبنية على البيانات للشائعات على الإنترنت—مثل توجيه التحقّق من الحقائق أو التحذيرات أو تدخلات المنصة إلى حيث يمكن أن تحقق أكبر أثر—مع مراعاة خصوصية الأفراد والاستخدام الأخلاقي.

الاستشهاد: Zhang, W., Qian, M. & Zhang, Q. A multi-modal approach for recognizing fake news and influential nodes in spreading them using deep learning and network analysis. Sci Rep 16, 9775 (2026). https://doi.org/10.1038/s41598-026-35342-7

الكلمات المفتاحية: الأخبار المزيفة, الشبكات الاجتماعية, انتشار الشائعات, التعلّم العميق, المستخدمون المؤثرون