Εντοπισμός Ψευδών Ειδήσεων με Τεχνικές Τεχνητής Νοημοσύνης

Fake News Detection with Artificial Intelligence Techniques (Αγγλική)

  1. MSc thesis
  2. Καγιογλίδης, Ιωάννης
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 30 Μαίου 2020 [2020-05-30]
  5. Αγγλικά
  6. 109
  7. Μαραγκουδάκης , Εμμανουήλ
  8. Ορφανουδάκης , Θεοφάνης | Σταυρόπουλος , Ηλίας
  9. Twitter | Τουίτερ | Fake News | Ψευδείς Ειδήσεις | Social Network Analysis | Ανάλυση Κοινωνικών Δικτύων | Network Communities | Κοινότητες Δικτύων | Degree Centrality | Κεντρικότητα Βαθμού | Modularity Clustering | Αρθρωτή Ομαδοποίηση
  10. 5
  11. 1
  12. 45
  13. Σχήματα, πίνακες
    • Τις τελευταίες δεκαετίες παρατηρείται μια ραγδαία αύξηση στην χρήση των υπηρεσιών κοινωνικής δικτύωσης και των microblogs, με εκατομμύρια χρήστες να παράγουν καθημερινά τεράστια ποσά δεδομένων. Λόγω της ευρείας χρήσης των κοινωνικών δικτύων θεωρούνται πλέον ως οι κύριες πηγές πληροφόρησης, καθιστώντας τα μια εναλλακτική λύση στα παραδοσιακά μέσα ενημέρωσης, όπως οι εφημερίδες και η τηλεόραση. Αν και τα microblogs είναι πολύτιμα μέσα για τη διάδοση χρήσιμων πληροφοριών, μια μερίδα ανθρώπων επιδεικνύει τυφλή εμπιστοσύνη σε αυτά, επιτρέποντας σε επιτήδειους να τις καταχραστούν. Ένα σοβαρό πρόβλημα που έχει λάβει μεγάλη προσοχή τελευταία είναι η διάδοση ψευδών ειδήσεων, τα οποία εν γένει θεωρούνται ως ειδήσεις σκοπίμως χειραγωγημένες για να παραπλανήσουν τους ανθρώπους. Η παρούσα διπλωματική εργασία αντιμετωπίζει το θέμα της διάδοσης ψεύτικων ειδήσεων στο Twitter με την ανάπτυξη ενός μοντέλου, το οποίο εντοπίζει χρήστες που σχετίζονται με την διάδοση των ειδήσεων αυτών. Παρουσιάζονται οι θεωρητικές έννοιες της Ανάλυσης Κοινωνικών Δικτύων, με ιδιαίτερη βαρύτητα στη Θεωρία Γράφων, που απαιτούνται για την υποστήριξη του συστήματος. Το μοντέλο διεξάγει ανάλυση δικτύου για να ανιχνεύσει τις κοινότητες χρηστών που μιλούν για ένα συγκεκριμένο θέμα στο Twitter και εντοπίζει εκείνους τους χρήστες που τείνουν να επηρεάζουν τους άλλους, αποτελώντας δυνητικά φορείς εξάπλωσης αναξιόπιστων πληροφοριών. Η αξιολόγηση της απόδοσης του μοντέλου διεξάγεται μέσω δύο πειραμάτων που πραγματεύονται αληθινά γεγονότα. Συγκεκριμένα εξετάζονται οι εξεγέρσεις των πολιτών του Χονγκ Κονγκ εναντίον της κινεζικής κυβέρνησης σχετικά με την καταπάτηση των πολιτικών τους δικαιωμάτων και η προώθηση των κομματικών εκστρατειών των ελληνικών πολιτικών κομμάτων με τη χρήση καταχρηστικών λογαριασμών Twitter, όπως bots και trolls. Τα πειραματικά αποτελέσματα συγκρίνονται με τα ευρήματα άλλων μελετών για την επαλήθευση της εγκυρότητάς τους. Αποδεικνύεται ότι το μοντέλο μπορεί να ανιχνεύσει αποτελεσματικά τους χρήστες που διασπείρουν ψευδείς ειδήσεις στο Twitter και εκτιμάται ότι αποτελεί πολύτιμο εργαλείο για την καταπολέμηση του φαινομένου.
    • In the last decades, there is a rapid growth in social networking and microblogging services observed, with millions of users producing a vast amount of data daily. Because of the large-scale use of social networks, they are considered to be the primary sources of information, becoming an alternative to traditional media such as newspapers and television. Although microblogs are valuable means to spread useful information, unfortunately, people put blind trust in them, allowing others to abuse them. A serious problem that has received increased attention is the spread of fake news, generally considered as news intentionally falsified to mislead people. This thesis deals with the issue of fake news spreading on Twitter with the development of a model that detects users associated with fake news propagation. All the necessary theoretical concepts on Social Network Analysis and particularly Graph Theory in support of the model are presented. The model conducts network analysis to detect user communities talking about a specific subject on Twitter and identifies those users that tend to influence others about their opinion, thus being able to spread untrustworthy information. Evaluation of the performance of our model is provided by conducting two experiments corresponding to real-life events. The Hong Kong protests against the Chinese government regarding the deterioration of the Hong Kong citizens’ political rights, and the promotion of Greek political parties’ campaigns with the use of abusive Twitter accounts such as bots and trolls, are considered. The experimental results are compared with other studies’ findings for the verification of their validity. It is proven that the model can effectively detect the “key spreaders” of fake news on Twitter, and it is a valuable asset when it comes to fake news mitigation.
  14. Attribution-NoDerivatives 4.0 Διεθνές