کمال الدین غیاثی شیرازی

در سال های اخیر، با توسعه سریع و افزایش محبوبیت رسانه های اجتماعی، شاهد رشد گسترده ای در حجم و تنوع اخبار جعلی بوده ایم. این پدیده اثرات عمیقی بر روی افراد و جامعه دارد. راستی آزمایی روشی است که به طوری گسترده برای مقابله با اثرات منفی انتشار اخبار جعلی استفاده می شود. اما این روش هنگام تحلیل حجم عظیم اطلاعات کارآمد نیست. بنابراین از مدل های پیشرفته یادگیری ماشین و رویکردهای مبتنی بر ویژگی برای شناسایی خودکار اخبار جعلی استفاده می شود. در همان حال، تعداد زیاد مدل ها و ناهمگونی ویژگی های مورد استفاده در ادبیات، اغلب محدودیت هایی برای محققانی که سعی در بهبود عملکرد مدل دارند، ایجاد می کند. به همین دلیل، در مطالعه حاضر با روش مرور نظام مند، چارچوبی جامع از ویژگی هایی که در تشخیص اخبار جعلی استفاده می شوند، ارائه شده است. به منظور انجام این مرور نظام مند با استفاده از راهنمای ارائه شده توسط «اوکولی» و «اسچابرام»، کلیه مطالعات انجام گرفته در حوزه اخبار جعلی با استفاده از کلیدواژه های مرتبط، از پایگاه داده های ScienceDirect، Springer، Emerald، IEEE، ACM، Wiley، Sage، JSTOR، Taylor و WOS استخراج شد و سرانجام، تعداد 72 مقاله مرتبط مورد بررسی قرار گرفت. در نتیجه تحلیل مقالات مرتبط، ویژگی ها در دو طبقه اصلی محتوای خبر و زمینه خبر قرار گرفتند. محتوای خبر شامل ویژگی های زبانی و معنایی، ویژگی های بصری و ویژگی های مبتنی بر سبک هستند. زمینه خبر نیز شامل ویژگی های مبتنی بر کاربر، پست و شبکه است. نتایج به دست آمده نشان داد که پرکاربردترین ویژگی ها در تشخیص اخبار جعلی ویژگی های مبتنی بر پروفایل کاربر، ویژگی های سبک آماری، الگوی نوشتاری و خوانایی هستند. با توجه به تنوع بالای ویژگی های موجود پیشنهاد می شود ارزیابی گسترده ای از ویژگی ها، مدل ها و همچنین عملکرد آنها در مجموعه داده های متعدد انجام شود و از این طریق عملکرد مدل ها و مجموعه ویژگی های مختلف مقایسه شود تا بهترین ترکیب ویژگی در شرایط مختلف مشخص گردد.