深層学習とネットワーク解析を用いた偽ニュース検出と拡散における影響ノードの多モーダル手法

日常生活でなぜ重要か

毎日、何百万人もの人々がソーシャルメディアをスクロールし、健康、政治、金銭などに関する投稿を目にしています。有益な情報と混じって、恐怖や混乱、あるいは現実世界での害を引き起こす可能性のある噂や偽情報が流れます。本研究は二つのことを同時に行う強力な手法を提示します。第一に、自動的に虚偽または誤解を招く投稿を検出すること。第二に、オンラインコミュニティ内でそれらを拡散する責任が大きい人物を特定して地図化することです。本研究は Covid‑19 に関するTwitterの投稿に焦点を当てていますが、その考え方はプラットフォーム、ジャーナリスト、一般市民が多くの領域で有害な誤情報により迅速かつ正確に対応する助けになる可能性があります。

噂はオンラインの群衆の中でどのように広がるか

Twitter、Facebook、メッセージングアプリなどのソーシャルネットワークは、相互作用（リンク）で結ばれた人々（ノード）の巨大な網と考えられます。あるユーザーが投稿し、他のユーザーが返信や共有を行うと、その情報はウェブ全体に素早く波及します。未確認または虚偽の主張である噂は、感染症のように振る舞います：人から人へと伝播し、急速に拡大し、止めるのが困難になることがあります。これまでの研究はしばしば二つの問いを別々に扱ってきました：ある投稿が噂かどうかを判定する方法と、その噂を多くの人に届ける重要な“拡散者”を見つける方法です。著者らは、ネットワークの配線（構造）や活動の時間的変化にも注意を払いながら両方の問題に取り組むことが、偽情報の移動をはるかに明確に描き出すと主張します。

コンピュータに投稿を読み取り、疑わしいものをフラグ付けさせる

方法の第一部は各ツイートの内容に焦点を当てます。研究者らは各ツイートを短い文書として扱い、余分な記号の除去、ウェブリンクやメールアドレスを単純なタグに置き換えること、意味の少ない一般的な充填語の除去などでクリーンアップします。次に、GloVe と呼ばれる広く使われる手法を用いて各単語を数値ベクトルに変換します。これは大規模なテキストコレクションにおける語の共起傾向を捉えます。これらの単語ベクトルを平均化することで、各ツイートは意味のコンパクトな数値要約になります。これらの要約を一次元畳み込みニューラルネットワークに入力し、微妙なパターンを検出してツイートが真実の投稿か噂かを判断します。

ネットワーク内で主要な拡散者を見つける

システムが噂ツイートと実際のツイートを分離した後、アプローチの第二部はソーシャルネットワーク自体の構造に注目します。各ユーザーは有向重み付きグラフ上の点であり、各返信やリツイートは一方のユーザーが他方の投稿に反応する頻度を反映する強さを持つリンクになります。この情報を使って、著者らはまずユーザーをコミュニティにクラスタリングします――これは互いに外部よりも多く相互作用するグループです。ネットワークの特別な木構造表現を構築し、密接に結びつくサブグループを適合度に基づいて統合することで実現します。これらのコミュニティ内で、各ユーザーが他者の間の最も重要な経路上にどれだけ頻繁に現れるか（媒介中心性として知られる指標）を計算します。高価値経路に何度も現れるユーザーは影響力のある拡散者と見なされます。接続の重みは、人々がどれだけ頻繁に相互作用するかと、接続先のユーザーがどれだけ中心的であるかの両方を反映するように更新され、時間とともに噂がネットワークを通って進むもっともらしい経路が明らかになります。

Covid‑19 ケーススタディで分かったこと

フレームワークを検証するために、研究者らは Covid‑19 に関する大規模な Twitter データセットに適用しました：ほぼ1億件のツイート、15万人以上のユーザーを含み、そこから真偽がラベル付けされた14,000件超のユニークなメッセージを抽出しました。このデータ上で彼らの深層学習モデルは約99パーセントのツイートを正しく分類し、他の先進的な偽ニュース検出器を含む複数の既存手法を上回りました。第二段階では、彼らの影響力のあるユーザーリストを情報拡散のよく知られた数学的モデルと比較し、テストした手法の中で最も高い一致を見出しました。さらに、分析する期間を120日、240日、360日に伸ばすと、主要な拡散者や主要な噂経路の特定能力が向上し、競合するネットワークベースの手法よりも処理時間が短いことも示しました。

誤情報対策にとっての意味

簡潔に言えば、本研究は高い精度で偽ニュースの可能性を検出するだけでなく、それがどのように伝播し誰が拡散に最も責任があるかを追跡できるシステムを構築可能であることを示しています。すべてのユーザーやすべての接続を同等に扱うのではなく、有害なストーリーの制御に最も影響するコミュニティや個人のより小さなセットを浮き彫りにします。本研究は匿名化された Covid‑19 に関する Twitter データで行われており、すべてのプラットフォームやトピックに直接一般化できるわけではありませんが、事実確認や警告、プラットフォーム上の介入を最も効果的な場所に向けるなど、個人のプライバシーと倫理的利用を考慮しつつ、オンラインの噂に対するよりターゲットを絞ったデータ駆動型の対応へとつながる道筋を示唆しています。

引用: 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

キーワード: フェイクニュース, ソーシャルネットワーク, デマ拡散, 深層学習, 影響力のあるユーザー