מעקב אחרי קהילות מתפתחות במפלות חדשות מזויפות באמצעות גרפים זמניים

מדוע שמועות מקוונות מתפשטות בקבוצות מלוכדות

כשסיפורים שקריים מתפשטים ברשתות החברתיות, הם נדירים נוסעים לבד. במקום זאת הם מועברים, משותפים ומוטעמים על־ידי אשכולות משתמשים שפועלים במקביל. המחקר הזה שואל שאלה פשוטה אך דחופה: האם אפשר לעקוב כיצד קבוצות מקוונות אלה נוצרות ומשתנות לאורך זמן, ולהשתמש בידע הזה כדי להאט את התפשטות החדשות המזויפות — בלי אפילו לקרוא את תוכן הפוסטים?

מעקב אחרי מסלולי סיפורים מטהים

החוקרים מתמקדים ב"מפלי מידע" בפלטפורמות כמו טוויטר — שרשרות של ריטוויטים ותשובות שנפתחות אחרי פריצה של סיפור. במקום להתייחס לאנשים כיחידים מבודדים, הם בוחנים כיצד אנשים מתאגדים לקהילות בזמן שהשמועה מתפשטת. קהילות אלה עשויות לכלול מקדמים מושבעים של הסיפור השקרי, מבקרים ספקניים, או צופים רגילים שנכפים על הזרם. האתגר הוא שהקהל המקוון משתנה כל הזמן: אנשים מצטרפים ועוזבים, שיחות מתפצלות ומתמזגות, ומבנה הרשת משתנה משעה לשעה.

מסגרת שלב־אחר־שלב למעקב אחרי קהילות

כדי להתמודד עם זאת, המחברים מציגים את TIDE-MARK, מסגרת רב־שלבית שנבנתה כדי לעקוב אחרי קהילות משתמשים מתפתחות לאורך זמן. ראשית, הם בונים מחדש כל מפל מתוך מזהי ציוצים גולמיים, והופכים אותו לסדרת תמונות מצב שעודכנה בכל שעה שבה הצמתים הם משתמשים והקישורים מייצגים ריטוויטים או תשובות. הם מעשירים כל משתמש במידע פרופיל פשוט ותמצית מספרית של הציוצים שהוא משתף. לאחר מכן, רשת עצבית המודעת לזמן לומדת כיצד הקשרים וההתנהגות של כל משתמש משתנים בין תמונות המצב, ומייצרת "טביעת אצבע" קומפקטית לכל משתמש בכל שעה.

מצפופים לאנשים יציבים

באמצעות טביעות האצבע האלה, TIDE-MARK מקבצת משתמשים דומים לקהילות ראשוניות. לאחר מכן היא ממודלת כיצד הקהילות משתנות מתצ snapshot אחת לאחרת, והערכת הסבירות שחברי קבוצה ישארו יחד, יתפצלו או יצטרפו לקבוצה אחרת. לבסוף, מודול של למידה בחיזוק מנקה את הגבולות המטושטשים בין הקבוצות. הוא בודק שוב ושוב שינויים קטנים — העברת משתמשים בודדים מקהילה לקהילה — ושומר את השינויים שהופכים את הקבוצות ליותר מחוברות פנימית תוך שמירה על עקביות עם שלבי הזמן הקודמים. התוצאה היא תמונה ברורה ויציבה יותר של מי מתאחד עם מי כאשר המפל מתפתח.

איך נראות קהילות של חדשות מזויפות מול אמיתיות

הצוות מיישם את TIDE-MARK על שלוש מערכות נתונים גדולות של חדשות מזויפות המכסות פוליטיקה, שמועות על ידוענים ומידע בריאותי על COVID-19. בכל המקרים הם מוצאים את אותו הדפוס: סיפורים שקריים נוטים לזרום דרך קהילות צפופות ועמידות יותר מאשר סיפורים אמיתיים. קבוצות של חדשות מזויפות מקושרות בצפיפות פנימית גבוהה יותר, בעלות גבולות חדים יותר מהרשת כולה ושומרות על חברות דומה לאורך זמן. חדשות אמיתיות, לעומת זאת, מתפשטות דרך קבוצות רופפות ומפוזרות שמתחלפות כשהשיחות נעות. באופן בולט, התכונות המבניות ש‑TIDE‑MARK מפיק — עד כמה הקהילות מלוכדות ויציבות — חזקות מספיק כדי לסייע לממיינים פשוטים להבחין בין מפלים מזויפים לאמיתיים, אפילו ללא הצצה לטקסט.

בדיקת דרכים לשיבוש מפלים מזיקים

מכיוון ש‑TIDE‑MARK מספקת מבט ברמת הקהילה, ניתן גם להשתמש בה להדמיית התערבויות. החוקרים בודקים מה קורה אם, בשלבים מוקדמים של מפל חדשות מזויפות, מסירים רק כמה משתמשים בעלי חיבורים רבים מהקהילה העמידה ביותר — תחליף אידיאליזציוני להשעיית חשבונות או להגבלת טווח ההשפעה שלהם. בהדמיות, הסרת היעד המדויק הזו מחלישה באופן חד את מבנה המפל ומצמצמת את הצבר המחובר הגדול ביותר שלו, מה שמעיד כי אסטרטגיות מודעות־מבנה ונייטרליות לתוכן עשויות להאט משמעותית את התפשטות המידע המוטעה.

מה זה אומר למאבק במידע מטעה

במונחים יומיומיים, העבודה הזו מראה שחדשות מזויפות לעתים קרובות נוסעות דרך "מועדוני מעריצים" עמידים של משתמשים מתואמים, בעוד שחדשות אמיתיות נעות דרך קהלים גמישים יותר. TIDE‑MARK מציעה דרך לזהות ולעקוב אחרי קבוצות אלה בזמן אמת, בלי לקרוא או לשפוט את התוכן עצמו. זה הופך אותה לכלי מבטיח עבור פלטפורמות, חוקרים ומקבלי מדיניות שמבקשים לזהות דפוסי תיאום מסוכנים ולעצב התערבויות זהירות וממוקדות — שלעתים עשויות למנוע מפלים מזיקים עוד לפני שיתרמו ngokupיים.

ציטוט: Ma, Y., Qu, D. & Wang, Y. Tracking evolving communities in fake news cascades using temporal graphs. Sci Rep 16, 4952 (2026). https://doi.org/10.1038/s41598-026-35175-4

מילות מפתח: חדשות מזויפות, רשתות חברתיות, גילוי קהילות, הפצת מידע מטעה, מתן מענה במדיה חברתית