Отслеживание развивающихся сообществ в каскадах фейковых новостей с использованием временных графов

Почему интернет-слухи распространяются в тесных группах

Когда ложные истории мчатся по социальным сетям, они редко идут в одиночку. Обычно их продвигают, перепостивают и повторяют кластеры пользователей, действующие скоординированно. В этом исследовании задают простой, но актуальный вопрос: можно ли отслеживать, как эти онлайн‑группы формируются и меняются со временем, и использовать эти знания, чтобы замедлить распространение фейков — даже не читая содержание постов?

Прослеживая пути вводящих в заблуждение историй

Авторы сосредотачиваются на «информационных каскадах» на платформах вроде Twitter — цепочках ретвитов и ответов, разворачивающихся после появления новости. Вместо того чтобы рассматривать пользователей как отдельных индивидов, они изучают, как люди сгруппировываются в сообщества по мере распространения слуха. Эти сообщества могут состоять из активных пропагандистов фейка, скептических комментаторов или обычных наблюдателей, которых затягивает поток. Сложность в том, что онлайн‑аудитория постоянно изменяется: люди приходят и уходят, разговоры разделяются и сливаются, а структура сети меняется час от часа.

Пошаговая схема для отслеживания сообществ

Чтобы решить эту задачу, авторы представляют TIDE‑MARK — многоступенчатую систему, созданную для отслеживания эволюции пользовательских сообществ во времени. Сначала они восстанавливают каждую каскаду из сырых идентификаторов твитов, превращая её в серию почасовых снимков, где узлы — это пользователи, а связи отражают ретвиты или ответы. Каждому пользователю добавляют простую информацию профиля и числовую сводку по расшариваемым твитам. Затем временная нейронная сеть изучает, как меняются связи и поведение каждого пользователя между снимками, создавая компактный «отпечаток» для каждого пользователя на каждом часовом шаге.

От расплывчатых толп к стабильным группам

Используя эти отпечатки, TIDE‑MARK группирует похожих пользователей в предварительные сообщества. Затем модель отслеживает, как сообщества меняются от одного снимка к другому, оценивая, с какой вероятностью члены группы сохраняются вместе, разделяются или присоединяются к другой группе. Наконец, модуль обучения с подкреплением очищает размытые границы между группами. Он многократно проверяет небольшие изменения — перемещения отдельных пользователей из одного сообщества в другое — и сохраняет те изменения, которые делают сообщества более внутренне связными и при этом согласуются с предыдущими временными шагами. В результате получается более четкая, стабильная картина того, кто с кем координируется по мере развития каскада.

Как выглядят сообщества вокруг фейковых и реальных новостей

Авторы применяют TIDE‑MARK к трем большим наборам данных фейковых новостей, охватывающим политику, сплетни о знаменитостях и информацию о COVID‑19. Во всех случаях они выявляют одну и ту же закономерность: фейковые истории чаще распространяются через более плотные, более устойчивые сообщества, чем правдивые. Эти группы фейковых новостей имеют более плотные внутренние связи, более четкие границы по отношению к остальной сети и сохраняют примерно тот же состав со временем. В отличие от них реальные новости распространяются через более рыхлые, разрозненные группы, которые перестраиваются по мере смены обсуждений. Примечательно, что структурные характеристики, извлекаемые TIDE‑MARK — насколько сообщества связны и стабильны — достаточно информативны, чтобы простые классификаторы могли различать фейковые и реальные каскады даже без анализа текста.

Тестирование способов подрыва вредоносных каскадов

Поскольку TIDE‑MARK даёт представление на уровне сообществ, его также можно использовать для моделирования вмешательств. Исследователи проверяют, что происходит, если на ранней стадии фейковой каскады удалить всего несколько высокосвязанных пользователей из наиболее устойчивого сообщества — идеализованный аналог приостановки аккаунтов или ограничения их охвата. В моделях такое целевое удаление заметно ослабляет структуру каскада и сокращает его крупнейший связный кластер, что говорит о том, что стратегии, учитывающие структуру сети и не зависящие от содержания, могут существенно замедлить распространение дезинформации.

Что это значит для борьбы с дезинформацией

Проще говоря, работа показывает, что фейковые новости часто движутся через прочные «фан‑клубы» скоординированных пользователей, тогда как реальные новости проходят через более текучие массы. TIDE‑MARK предлагает способ видеть и отслеживать эти группы в режиме реального времени, не читая и не оценивая содержимое. Это делает метод перспективным инструментом для платформ, исследователей и политиков, которые хотят выявлять рискованные схемы координации и разрабатывать аккуратные, целевые вмешательства — потенциально нейтрализуя вредоносные каскады до того, как они полностью развернутся.

Цитирование: 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

Ключевые слова: фейковые новости, социальные сети, обнаружение сообществ, распространение дезинформации, модерация в социальных медиа