TRGCN: إطار هجين لاكتشاف الشائعات في الشبكات الاجتماعية

لماذا تهم الشائعات الإلكترونية الجميع

من مخاوف متعلقة باللقاحات إلى هواجس مالية، يمكن لمنشور واحد كاذب أن يتوسع عبر وسائل التواصل ويؤثر في تفكير وممارسات ملايين الناس. يعمل المدققون البشر بجهد لمواكبة ذلك، لكن حجم وسرعة الحديث عبر الإنترنت يجعلان من المستحيل فحص كل شيء يدويًا. تقدم هذه الدراسة نهجًا حاسوبيًا جديدًا يكتشف تلقائيًا القصص المشتبه بها عبر النظر ليس فقط إلى ما يقوله الناس، بل أيضًا إلى كيفية انتشار تلك المعلومات عبر شبكة المستخدمين.

كيف تتدفق الشائعات عبر الشبكات الاجتماعية

يبدأ المؤلفون بفحص الشائعات كعملية اجتماعية. على منصات مثل تويتر، ينشر شخص ما ادعاءً، ويرد آخرون أو يعيدون النشر أو يؤيدونه أو يتحدونه، وتشكل هذه التفاعلات شبكة متفرعة من الرسائل. بعض المستخدمين يعملون كمحاور تبقي الشائعة على قيد الحياة بعيدًا عن المصدر الأصلي بعدة خطوات. يحمل نمط من يرد على من ومتى دلائل حول ما إذا كان الادعاء احتمالًا أن يكون صحيحًا أو زائفًا أو مُتحققًا أو لا يزال غير مؤكَّد. ركزت النماذج الحاسوبية التقليدية على النص وحده أو على شكل الشبكة وحده، مما أغفل الصورة الكاملة لكيفية تفاعل المحتوى والروابط.

حدود طرق الاكتشاف السابقة

كانت الأساليب السابقة تعتمد على ميزات مصممة يدويًا مثل عدد مرات إعادة النشر، أو طول الرسائل، أو إحصاءات أساسية عن المستخدمين. وعلى الرغم من أن هذه الطرق التقطت أنماطًا بسيطة، إلا أنها واجهت صعوبة مع الإشارات المعقدة وذات الأبعاد العالية الموجودة في الشبكات الاجتماعية الكبيرة. لاحقًا، تعلَّمت نماذج التعلم العميق مثل الشبكات العصبية المتكررة والتلافيفية أنماطًا نصية أغنى وأنماطًا زمنية قصيرة المدى، لكنها لم تلتقط بالكامل البنية المتفرعة لانتشار الشائعات. حسَّنت الطرق القائمة على الرسوم البيانية الوضع من خلال اعتبار المحادثات شبكات من المنشورات والمستخدمين، ومع ذلك واجهت نماذج الرسوم البيانية الشائعة صعوبة في تتبع سلاسل تأثير طويلة عبر خطوات عديدة.

نموذج هجين ينظر إلى الشكل والمحتوى

لتجاوز هذه الثغرات، يقترح الباحثون إطارًا هجينًا يُدعى TRGCN. يدمج نوعين قويين من الشبكات العصبية: شبكات الالتفاف البيانية (Graph Convolutional Networks) المناسبة لتحليل الشبكات، وشبكات Transformer المتفوقة في تتبع العلاقات طويلة النطاق في التسلسلات. أولاً، يحول النموذج كل منشور إلى تمثيل رقمي بناءً على أهمية كل كلمة في مجموعة التغريدات. وفي الوقت نفسه، يشفر نمط الردود وإعادة النشر كرسوم بيانية. تندمج هاتان النظرتان بحيث يحمل كل عقدة في شبكة الانتشار معنى النص وموقعها في المحادثة.

متابعة مسار الشائعة خطوة بخطوة

ثم يُثري TRGCN هذه التمثيلات العقدية في عدة مراحل. ينظرّ مكوّن الرسم البياني إلى كل منشور وجيرانه لالتقاط أنماط التفاعل المحلية، مثل مجموعات المستخدمين التي تكرر الادعاء أو ترفضه. تحدد آلية تموضع مدى بُعد كل منشور عن المصدر الأصلي، مما يساعد النموذج على فهم عمق المحادثة. تُمرَّر البيانات بعد ذلك عبر وحدة Transformer، التي يمسح آلية الانتباه فيها الهيكل بأكمله لالتقاط العلاقات طويلة المدى والدقيقة التي قد تربط أجزاء بعيدة من شلال الشائعة. أخيرًا، تُنقَّح هذه الإشارات المدمجة بطبقة بيانية أخرى، وتقدر مرحلة التصنيف ما إذا كان الحدث غير شائعة، أو شائعة مؤكدة، أو شائعة زائفة، أو لا تزال غير متحققة.

مدى فعالية الطريقة عمليًا

يختبر المؤلفون TRGCN على مجموعتي بيانات من تويتر مستخدمتين على نطاق واسع وتضمان آلاف أحداث الشائعات الموسومة من قبل مدققي الحقائق الخبراء. يقارنون إطارهم بمجموعة واسعة من الطرق القائمة، من نماذج التعلم الآلي الكلاسيكية إلى أنظمة متقدمة قائمة على الرسوم البيانية. عبر كلتا المجموعتين، يحقق النموذج الجديد أعلى دقة، مميزًا بين القصص الحقيقية والزائفة وغير المؤكدة أكثر من البدائل. تُظهر تجارب إضافية إزالة مكونات رئيسية مثل الانتباه أو معلومات التموضع أو الروابط الباقية أن الأداء يتراجع في كل حالة. يشير ذلك إلى أن قوة النموذج تأتي من الجمع الدقيق بين هيكل الشبكة ومحتوى النص والسياق طويل المدى.

ما يعنيه هذا لمحادثات إلكترونية أكثر أمانًا

للمستخدمين العاديين ومشرفي المنصات، الخلاصة أن طريقة تسافر بها القصة عبر الإنترنت قد تكون مُعلِنة بقدر الكلمات نفسها. من خلال التعلم المشترك من محتوى الرسائل وأنماط المحادثة المتفرعة حولها، يقدم TRGCN طريقة أكثر دقة لوضع علامة على الادعاءات المضللة لمراجعة أقرب. وبالرغم من أنه لا يحل محل حكم الإنسان، يمكن لمثل هذه الأدوات مساعدة المدققين والمنصات على الرد بشكل أسرع على الشائعات الضارة ودعم بيئة معلومات أكثر صحة.

الاستشهاد: Yan, Y., Zhang, S., Yu, D. et al. TRGCN: a hybrid framework for social network rumor detection. Humanit Soc Sci Commun 13, 692 (2026). https://doi.org/10.1057/s41599-026-06946-1

الكلمات المفتاحية: شائعات وسائل التواصل الاجتماعي, اكتشاف الشائعات, الشبكات العصبية البيانية, نماذج Transformer, معلومات مضللة