TRGCN: sosyal ağ söylenti tespiti için hibrit bir çerçeve

Çevrimiçi söylentiler neden herkesi ilgilendirir

Aşı korkularından finansal paniklere kadar tek bir yanlış gönderi sosyal medyada dalga dalga yayılabilir ve milyonlarca insanın ne düşündüğünü ve ne yaptığını şekillendirebilir. İnsan fact-checker’lar yoğun biçimde çalışsa da çevrimiçi meşguliyetin hacmi ve hızı her şeyi elle incelemeyi imkânsız kılar. Bu çalışma, yalnızca insanların ne dediğine bakmakla kalmayıp aynı zamanda bu bilginin kullanıcı ağı içinde nasıl yayıldığını da inceleyerek şüpheli hikâyeleri otomatik olarak tespit eden yeni bir hesaplamalı yaklaşım tanıtıyor.

Söylentiler sosyal ağlarda nasıl akar

Yazarlar söylentileri sosyal bir süreç olarak ele alarak işe başlıyor. Twitter gibi platformlarda bir kişi bir iddia paylaşır, diğerleri yanıt verir, paylaşır, destekler veya itiraz eder ve bu etkileşimler dallanan bir mesaj ağı oluşturur. Bazı kullanıcılar söylentiyi orijinal kaynaktan çok uzak adımlarda bile canlı tutan merkezler gibi davranır. Kimin kime yanıt verdiği ve ne zaman verdiği deseni, iddianın muhtemelen doğru, yanlış, doğrulanmış veya hâlâ doğrulanmamış olup olmadığı konusunda ipuçları taşır. Geleneksel bilgisayar modelleri ya sadece metne ya da yalnızca ağ yapısına odaklanıyordu; bu da içerik ile bağlantıların nasıl etkileştiğinin tam resmini kaçırıyordu.

Önceki tespit yöntemlerinin sınırları

Daha önceki yaklaşımlar, bir gönderinin ne sıklıkta yeniden paylaşıldığı, mesajların uzunluğu veya kullanıcılarla ilgili temel istatistikler gibi el yapımı özelliklere dayanıyordu. Bu yöntemler basit desenleri yakalasa da büyük sosyal ağlardaki karmaşık, yüksek boyutlu sinyallerle baş etmekte zorlandılar. Daha sonra yinelemeli ve konvolüsyonel sinir ağları gibi derin öğrenme modelleri daha zengin metin desenlerini ve kısa vadeli zaman desenlerini öğrendi, ancak söylenti yayılımının dallanan yapısını tam olarak yakalayamadılar. Grafik tabanlı yöntemler konuşmaları gönderi ve kullanıcı ağları olarak ele alarak durumu iyileştirdi, yine de yaygın grafik modelleri çok sayıda adım boyunca uzanan uzun etki zincirlerini izlemede zorlandı.

Hem şekle hem hikâyeye bakan hibrit bir model

Bu boşlukları aşmak için araştırmacılar TRGCN adlı hibrit bir çerçeve öneriyor. Bu çerçeve, ağları analiz etmeye uygun Grafik Konvolüsyonel Ağlar ile dizilerdeki uzun menzilli ilişkileri takip etmekte üstün Transformer ağlarını harmanlıyor. Önce model, her gönderiyi tweet koleksiyonu içindeki her kelimenin göreli önemine göre sayısal bir temsile dönüştürüyor. Aynı zamanda yanıt ve yeniden paylaşım desenini bir grafik olarak kodluyor. Bu iki görünüm birleştirilerek, yayılan ağdaki her düğümün hem metin anlamını hem de konuşmadaki konumunu taşıması sağlanıyor.

Bir söylentinin yolunu adım adım izlemek

TRGCN daha sonra bu düğüm temsillerini birkaç aşamada zenginleştirir. Bir grafik modülü her gönderiyi ve komşularını inceleyerek bir iddiayı yineleyen veya çürüten kullanıcı kümeleri gibi yerel etkileşim desenlerini yakalar. Bir konumsal şema her gönderinin orijinal kaynaktan ne kadar uzakta olduğunu işaretleyerek modelin konuşmanın derinliğini anlamasına yardımcı olur. Veriler daha sonra dikkat mekanizmasıyla tüm yapıyı tarayan bir Transformer modülünden geçirilir; bu sayede söylenti kademesinin uzak bölümlerini birbirine bağlayabilecek uzun menzilli ve ince ilişkiler yakalanır. Son olarak başka bir grafik katmanı bu birleşik sinyalleri rafine eder ve sınıflandırma aşaması olayın söylenti değil, doğrulanmış söylenti, yanlış söylenti veya hâlâ doğrulanmamış olup olmadığını tahmin eder.

Yöntem pratikte ne kadar iyi çalışıyor

Yazarlar TRGCN’i uzman fact-checker’lar tarafından etiketlenmiş binlerce söylenti olayı içeren iki yaygın kullanılan Twitter veri setinde test ediyor. Çerçevelerini klasik makine öğrenmesi modellerinden gelişmiş grafik tabanlı sistemlere kadar geniş bir mevcut yöntem setiyle karşılaştırıyorlar. Her iki veri kümesinde de yeni model en yüksek doğruluğa ulaşıyor ve alternatiflerden daha sık doğru, yanlış ve belirsiz hikâyeleri ayırt ediyor. Ek deneyler dikkat, konumsal bilgi veya artık (residual) bağlantılar gibi temel bileşenler kaldırıldığında performansın düştüğünü gösteriyor. Bu, modelin gücünün ağ yapısı, metin içeriği ve uzun menzilli bağlamın dikkatli birleşiminden kaynaklandığını düşündürüyor.

Daha güvenli çevrimiçi konuşmalar için ne anlama geliyor

Günlük kullanıcılar ve platform moderatörleri için temel çıkarım, bir hikâyenin çevrimiçi nasıl yayıldığının içindeki kelimeler kadar açıklayıcı olabileceğidir. Mesaj içeriği ile etrafındaki dallanan konuşma desenlerinden birlikte öğrenerek TRGCN yanıltıcı iddiaları daha yakından inceleme için işaretlemenin daha hassas bir yolunu sunuyor. İnsan yargısının yerini almasa da bu tür araçlar fact-checker’ların ve platformların zararlı söylentilere daha hızlı yanıt vermesine ve daha sağlıklı bir bilgi ortamını desteklemesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: sosyal medya söylentileri, söylenti tespiti, graf sinir ağları, Transformer modelleri, yanıltıcı bilgi