ارائه چارچوبي جامع از ويژگي‌هاي مؤثر در تشخيص اخبار جعلي: يك مرور نظام‌مند

در سال‌هاي اخير، با توسعه سريع و افزايش محبوبيت رسانه‌هاي اجتماعي، شاهد رشد گسترده‌اي در حجم و تنوع اخبار جعلي بوده‌ايم. اين پديده اثرات عميقي بر روي افراد و جامعه دارد. راستي‌آزمايي روشي است كه به‌طوري گسترده براي مقابله با اثرات منفي انتشار اخبار جعلي استفاده مي‌شود. اما اين روش هنگام تحليل حجم عظيم اطلاعات كارآمد نيست. بنابراين از مدل‌هاي پيشرفته يادگيري ماشين و رويكردهاي مبتني ‌بر ويژگي براي شناسايي خودكار اخبار جعلي استفاده مي‌شود. در همان حال، تعداد زياد مدل‌ها و ناهمگوني ويژگي‌هاي مورد استفاده در ادبيات، اغلب محدوديت‌هايي براي محققاني كه سعي در بهبود عملكرد مدل دارند، ايجاد مي‌كند. به ‌همين دليل، در مطالعه حاضر با روش مرور نظام‌مند، چارچوبي جامع از ويژگي‌هايي كه در تشخيص اخبار جعلي استفاده مي‌شوند، ارائه شده ‌است. به‌منظور انجام اين مرور نظام‌مند با استفاده از راهنماي ارائه‌شده توسط «اوكولي» و «اسچابرام»، كليه مطالعات انجام‌گرفته در حوزه اخبار جعلي با استفاده از كليدواژه‏هاي مرتبط، از پايگاه داده‎هاي ScienceDirect، Springer، Emerald، IEEE، ACM، Wiley، Sage، JSTOR، Taylor و WOS استخراج شد و سرانجام، تعداد 72 مقاله مرتبط مورد بررسي قرار گرفت. در نتيجه تحليل مقالات مرتبط، ويژگي‌ها در دو طبقه اصلي محتواي خبر و زمينه خبر قرار گرفتند. محتواي خبر شامل ويژگي‌هاي زباني و معنايي، ويژگي‌هاي بصري و ويژگي‌هاي مبتني‌ بر سبك هستند. زمينه خبر نيز شامل ويژگي‌هاي مبتني ‌بر كاربر، پست و شبكه است. نتايج به‌دست‌آمده نشان داد كه پركاربردترين ويژگي‌ها در تشخيص اخبار جعلي ويژگي‌هاي مبتني ‌بر پروفايل كاربر، ويژگي‌هاي سبك آماري، الگوي نوشتاري و خوانايي هستند. با توجه به تنوع بالاي ويژگي‌هاي موجود پيشنهاد مي‌شود ارزيابي گسترده‌اي از ويژگي‌ها، مدل‌ها و همچنين عملكرد ‌آنها در مجموعه داده‌هاي متعدد انجام شود و از اين طريق عملكرد مدل‌ها و مجموعه ويژگي‌هاي مختلف مقايسه شود تا بهترين تركيب ويژگي در شرايط مختلف مشخص گردد.