رضوان محمدی باغملایی

زمینه: با گسترش شبکه های اجتماع ی و تبد یل شدن آنها به منابع اصلی اخبار و اطالعات برای می لیون ها نفر، مسئله انتشار شایعات و اطالعات نادرست به یک چالش جدی تبدیل شده است. توییتر به عنوان یکی از پلتفرم های اصلی برای اشتراک گذاری سریع اطالعات، بستری مناسب برای گسترش شایعات فراهم کرده است. این شایعات میتوانند تأث یرات منفی گستردهای بر جامعه داشته باشند؛ از ایجاد وحشت عمومی و تضعیف اعتماد به نهادهای اجتماع ی تا تأثیرگذاری بر نتایج انتخابات و تصمیمات سیاسی. به همین دلیل، تشخیص و مقابله با شایعات در این شبکه اجتماع ی از اهمیت ویژهای برخوردار است. هدف: هدف از این پژوهش، توسعه و ارزیابی روشهایی برای تشخیص شایعات در توییتر است که بتوانند به سرعت و دقت شایعات را شناسایی کرده و از گسترش آن ها جلوگیری کنند. این روشها شامل تحلیل احساسات، شناسایی و محدود کردن رباتها، و استفاده از سیستمهای خودکار برای ارزیابی اعتبار منابع میباشند . پژوهش حاضر به دنبال ارائه یک چارچوب جامع است که با ترکیب این روشها، بتواند به طور مؤثری در کاهش انتشار شایعات و حفظ سالمت اطالعات ی جامعه نقش ایفا کند. روششناسی: روششناسی این پژوهش شامل طراحی و پیادهسازی یک مدل بهینهسازی شده برای تشخیص شایعات در شبکه های اجتماعی است که از مدل گراف آگاه از رباتهای اجتماعی بهره میگیرد. ابتدا، دادههای مورد استفاده از مجموعه دادههای توییتر 15 و توییتر 16 جمعآوری شدند و به عنوان ورودی مدل به کار رفتند. سپس، چهار معماری اصلی شامل شبکه توجه گرافی، شبکه عصبی گراف پیچشی، رمزگذار متنی و الیه خروجی به کار گرفته شدند که هر کدام وظیفهای مجزا در استخراج و تحلیل دادهها داشتند. همچنین، از الگوریتم ژنتیک برای بهینهسازی پارامترهای مدل استفاده شد تا دقت و کارایی تشخیص شایعه و باتها در شبکه بهبود یابد. در این پژوهش، به جای مدلهای چندالیه ادراکی، از شبکه طبقه بند تقویت گرادیانی حدی برای تشخیص باتها بهره گرفته شد و دو پارامتر جدید برای شناسایی کاربران بد به مدل اضافه گردید. یافتهها: در این پژوهش، یافتههای مهمی به دست آمد که بهبودهای قابلتوجهی در دقت و کارایی مدل تشخیص شایعه ارائه کردند. استفاده از الگوریتم ژنتیک برای بهینه سازی پارامترهای مدل، منجر به افزایش چشمگیر دقت سیستم در شناسایی شایعات شد. این الگوریتم توانست بهطور خودکار بهترین ترکیب