Misinformation detection by leveraging user communities on social media
Sosyal medyadaki kullanıcı topluluklarından yararlanılarak yanlış bilgilerin tespiti
- Tez No: 872584
- Danışmanlar: PROF. DR. FAZLI CAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 91
Özet
Sosyal medya platformları bilgiye erişmek için en önemli kaynaklardandır. Ancak, sahte haberler dahil olmak üzere kötü amaçlı içeriklerin kolayca oluşturulup paylaşılması nedeniyle yanlış bilginin yayılması kaçınılmazdır. Bu platformlardaki (Twitter) kullanıcılar özellikle bir topluluk içindeyken benzer bakış açılarına maruz kalmakta ve karşıt görüşlerden kaçınmaktadır. Bu fikirden yola çıkarak, kullanıcı topluluklarını inceleyip onları sosyal medyada yanlış bilgi tespiti için bir araç olarak kullanıyoruz. Bu tezde, ilk olarak 2020 ve 2022 yılları arasındaki güncel olaylarla ilgili paylaşılan tweetleri ve kullanıcı etkileşimlerini toplayıp 5.284 İngilizce ve 5.064 Türkçe tweet içeren doğruluk derecelerine göre etiketlenmiş bir sosyal medya veri seti oluşturuyoruz. Ardından, bir sosyal ağ içinde kullanıcı-takipçi etkileşimlerini kullanan metin benzerliği tabanlı bir yanlış bilgi tespiti yöntemi öneriyoruz. Yöntemimiz öncelikle, karşılaştırmalı öğrenme kullanarak tweetlerin önemli metinsel özelliklerini çıkarmaktadır. Ardından, her bir gönderinin tespit edilen topluluklardaki her kullanıcıya olan yakınlık düzeyine göre benzerliğini ölçmektedir. Son olarak, bu benzerlik puanlarını kullanarak tweetlerin doğruluğunu değerlendirmek için bir sınıflandırıcı eğitiyoruz. Yaklaşımımızı üç farklı sosyal medya veri setinde en son yaklaşımlarla karşılaştırıyoruz. Deneysel sonuçlar, karşılaştırmalı öğrenmenin ve kullanıcı topluluklarından yararlanmanın sosyal medyada yanlış bilgi tespitini etkili bir şekilde artırabileceğini göstermektedir. Ek olarak, modelimiz topluluklardaki az sayıda kullanıcıyı kullanarak bile, tüm veri setlerinde %90'ın üzerinde ağırlıklı F1 skoru elde ederek yanlış bilgi içeriklerini etkili bir şekilde tespit edebilmektedir.
Özet (Çeviri)
Social media platforms have become a primary source of accessing information. However, the spread of misinformation is inevitable due to the ease of creating and sharing malicious content, including fake news. Social media users in such platforms (e.g., Twitter) often find themselves exposed to similar viewpoints and tend to avoid contrasting opinions, particularly when connected within a community. To investigate this problem, we examine the presence of user communities and leverage them as a tool to detect misinformation on social media. In this thesis, we first collect tweets together with user engagements relevant to the recent events between 2020 and 2022. We then construct a human-annotated social media dataset having 5,284 English and 5,064 Turkish tweets with their veracity labels. After the data construction process, we leverage the presence of user communities for misinformation detection on social media. For this purpose, we propose a text similarity-based method that utilizes user-follower interactions within a social network to identify misinformation content. Our method first extracts important textual features of social media posts using contrastive learning. We then measure the similarity for each social media post, based on its relevance to each user in the community. Next, we train a classifier to assess the truthfulness of social media posts using these similarity scores. We evaluate our approach on three social media datasets and compare our method with the state-of-the-art approaches. The experimental results show that contrastive learning and user communities can effectively enhance the detection of misinformation on social media. Our model can identify misinformation content by achieving a consistently high weighted F1 score of over 90% across all datasets, even employing only a small number of users in communities.
Benzer Tezler
- Detecting fake twitter accounts using deep neural network
Sahte twitter hesaplarını tespit etmek derin sinir ağlarının kullanılması
ZIAD WALID MOHAMED ABDELFATTAH ELGAMMAL ZIAD WALID MOHAMED ABDELFATTAH ELGAMMAL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
Prof. Dr. REDA ALHAJJ
- Detection of misinformation related to pandemic diseases using machine learning techniques on social media platforms
Sosyal medya platformlarındaki makine öğrenme tekniklerini kullanarak pandemi hastalıklarına ilişkin yanlış bilgilerin tespiti
JAVARIA NAEEM
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER MELİ̇H GÜL
- Provenance use in social media software to develop methodologies for detection of information pollution
Provenans kullanılarak sosyal medya yazılımlarında bilgi kirliliğinin ve telif hakları ihlallerinin tespiti için yöntemler geliştirilmesi
MOHAMED JEHAD BAETH
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET SIDDIK AKTAŞ
- Fake news detection using deep neural networks
Derin sinir ağlarını kullanarak sahte haber tespiti
ABUBAKER ABDALLAH ALGUTTAR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. REMZİ YILDIRIM
- Türkçe Twitter verileri üzerinde güvenilirlik skorlama ile sahte haber tespiti
Fake news detection with credibility scoring on Turkish Twitter data
HÜSEİN KANTARCİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM AYDIN