Sahte haber kaskadlarında zamanlı grafikler kullanarak evrimleşen toplulukları izleme

Çevrimiçi söylentiler neden sıkı bağlı gruplarda yayılır

Sahte hikâyeler sosyal medyada hızla dolaşırken nadiren tek başlarına ilerlerler. Bunun yerine, bu hikâyeler birlikte hareket eden kullanıcı kümeleri tarafından itilir, paylaşılır ve tekrar edilir. Bu çalışma basit ama acil bir soruyu soruyor: bu çevrimiçi grupların zaman içinde nasıl oluştuğunu ve değiştiğini izleyebilir miyiz ve bu bilgiyi, gönderilerin içeriğini okumadan sahte haberin yayılmasını yavaşlatmak için kullanabilir miyiz?

Yanıltıcı öykülerin izlerini takip etmek

Araştırmacılar Twitter gibi platformlardaki “bilgi kaskadlarına” — bir hikâye ortaya çıktıktan sonra gelişen retweet ve yanıt zincirlerine — odaklanıyor. Kullanıcıları izole bireyler olarak ele almak yerine, bir söylenti yayıldıkça insanların nasıl topluluklara kümelendiğine bakıyorlar. Bu topluluklar sahte hikâyenin kararlı destekçileri, şüpheci yorumcular veya sürüklenen sıradan izleyiciler olabilir. Zorluk şu ki, çevrimiçi kitleler sürekli değişiyor: insanlar katılıyor ve ayrılıyor, konuşmalar bölünüp birleşiyor ve ağın yapısı saat saat kayıyor.

Toplulukları izlemek için adım adım bir çerçeve

Bunu ele almak için yazarlar, zaman içinde evrimleşen kullanıcı topluluklarını takip etmek üzere tasarlanmış çok aşamalı bir çerçeve olan TIDE-MARK’ı tanıtıyor. Önce her kaskadı ham tweet kimliklerinden yeniden inşa ediyorlar; bunu düğümler kullanıcılar ve bağlantılar retweet veya yanıtları temsil eden saatlik anlık görüntü serilerine çeviriyorlar. Her kullanıcıyı basit profil bilgileri ve paylaştıkları tweetlerin sayısal bir özetleriyle zenginleştiriyorlar. Ardından, zamana duyarlı bir sinir ağı, her kullanıcının bağlantılarının ve davranışının anlık görüntüler arasında nasıl değiştiğini öğreniyor ve her saat için her kullanıcıya kompakt bir “parmak izi” üretiyor.

Belirsiz kalabalıklardan sağlam gruplara

Bu parmak izlerini kullanarak TIDE-MARK benzer kullanıcıları ön topluluklara ayırıyor. Sonra toplulukların bir anlık görüntüden diğerine nasıl değiştiğini modelleyerek bir grubun üyelerinin birlikte kalma, bölünme veya başka bir gruba katılma olasılıklarını tahmin ediyor. Son olarak, bir pekiştirmeli öğrenme modülü gruplar arasındaki bulanık sınırları temizliyor. Tek tek kullanıcıları bir topluluktan diğerine taşımak gibi küçük değişiklikleri tekrar tekrar test ediyor ve daha içsel olarak bağlı hale getiren, önceki zaman adımlarıyla tutarlı kalan değişiklikleri koruyor. Sonuç, kaskad ilerlerken kimin kiminle koordineli olduğuna dair daha net, daha kararlı bir resim oluyor.

Sahte ve gerçek haber toplulukları nasıl görünür

Araştırma ekibi TIDE-MARK’ı siyaset, ünlü dedikoduları ve COVID-19 sağlık bilgilerini kapsayan üç büyük sahte haber veri kümesine uyguluyor. Hepsinde aynı deseni buluyorlar: yanlış hikâyeler gerçek hikâyelere göre daha sıkı ve daha kalıcı topluluklar aracılığıyla akma eğiliminde. Bu sahte haber grupları içten daha yoğun bağlı, ağın geri kalanından daha keskin sınırlarla ayrılmış ve zaman içinde kabaca aynı üyeliği koruyor. Buna karşılık gerçek haber daha gevşek, daha dağınık gruplar aracılığıyla yayılıyor ve tartışmalar ilerledikçe yeniden yapılandırılıyor. Önemli olarak, TIDE-MARK’ın çıkardığı yapısal özellikler — toplulukların ne kadar uyumlu ve kararlı olduğu — basit sınıflandırıcıların metne bakmadan bile sahte ve gerçek kaskadları ayırt etmesine yetecek kadar güçlü.

Zararlı kaskadları bozma yollarını test etmek

TIDE-MARK topluluk düzeyinde bir görünüm sağladığı için müdahaleleri simüle etmek için de kullanılabiliyor. Araştırmacılar, sahte haber kaskadının erken aşamasında, en kalıcı topluluktan sadece birkaç yüksek bağlantılı kullanıcıyı kaldırırsanız — hesapları askıya almak veya erişimlerini sınırlamak için idealleştirilmiş bir benzetme — ne olduğunu test ediyorlar. Simülasyonlarda bu hedefe yönelik kaldırma, kaskadın yapısını keskin şekilde zayıflatıyor ve en büyük bağlı kümesini küçültüyor; bu da içerik nötr, yapıyı gözeten stratejilerin yanlış bilginin yayılmasını anlamlı şekilde yavaşlatabileceğini gösteriyor.

Yanlış bilgiyle mücadele için bunun anlamı

Günlük ifadeyle, bu çalışma sahte haberin genellikle koordineli kullanıcıların kalıcı “fan kulüpleri” aracılığıyla dolaştığını, gerçek haberin ise daha akışkan kalabalıklar içinde yayıldığını gösteriyor. TIDE-MARK bu grupları içerdiği içerikleri okumadan veya değerlendirmeden gerçek zamanlı olarak görmeyi ve izlemeyi mümkün kılıyor. Bu, riskli koordinasyon kalıplarını belirlemek ve dikkatli, hedefli müdahaleler tasarlamak isteyen platformlar, araştırmacılar ve politika yapıcılar için potansiyel olarak zararlı kaskadları tam hız almadan önce etkisiz hale getirebilecek umut verici bir araç yapıyor.

Atıf: 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

Anahtar kelimeler: sahte haber, sosyal ağlar, <keyword>yanlış bilginin yayılması, sosyal medya moderasyonu