علیرضا عبداله پوری

شبکه‌های اجتماعی به‌عنوان یکی از اصلی‌ترین ابزارهای تبادل اطلاعات در عصر دیجیتال، نقش مهمی در ارتباطات جهانی ایفا می‌کنند. با این حال سرعت و گستردگی انتشار محتوا در این بسترها، چالش جدی اخبار جعلی را به همراه داشته است. انتشار سریع اطلاعات نادرست می‌تواند پیامدهای اجتماعی، سیاسی و اقتصادی گسترده‌ای ایجاد کند. روش‌های سنتی تشخیص اخبار جعلی، به دلیل حجم عظیم داده‌ها، پیچیدگی روابط میان کاربران و پویایی شبکه‌ها، کارایی کافی ندارند. ازاین‌رو نیاز به سیستم‌های هوشمند و خودکار مبتنی بر یادگیری ماشین و یادگیری عمیق بیش از پیش احساس می‌شود. در این پژوهش، با هدف افزایش دقت در شناسایی و تشخیص اخبار جعلی، یک چارچوب ترکیبی نوآورانه مبتنی بر شبکه‌های عصبی گراف (GNN) و یادگیری تقویتی (RL) ارائه شده است. در این رویکرد، از مدل‌های مختلف شبکه عصبی گراف شامل GAT، GCN و GraphSAGE برای استخراج ویژگی‌های پیچیده و پنهان از ساختار گرافی انتشار اخبار استفاده شده است. سپس، ویژگی‌های به‌دست‌آمده به‌عنوان «حالت» به یک عامل یادگیری تقویتی (مدل DDQN) داده می‌شوند تا فرآیند تصمیم‌گیری و طبقه‌بندی نهایی را به‌صورت هوشمند بهینه‌سازی کند. نتایج آزمایش‌ها بر روی مجموعه‌داده‌ی استاندارد PHEME نشان می‌دهد که چارچوب ترکیبی پیشنهادی (GNN + RL) عملکردی به‌مراتب بهتر از مدل‌های صرفاً مبتنی بر GNN دارد. مدل بهینه، که از ترکیب یک گراف سراسری و سه گراف محلی به همراه لایه‌ی GAT تشکیل شده بود، به دقت %88.24 و امتیاز F1 برابر با %82.42 دست یافت. این نتایج نشان‌دهنده‌ی برتری قابل‌توجه روش پیشنهادی نسبت به مدل‌های پیشین است و نشان می‌دهد که این رویکرد می‌تواند ابزاری قدرتمند برای مقابله با انتشار اطلاعات نادرست باشد. رویکرد ترکیبی ارائه‌شده نه‌تنها می‌تواند به‌عنوان الگویی برای توسعه‌ی سیستم‌های هوشمند مدیریت محتوا و مقابله با اخبار جعلی در سایر پلتفرم‌ها مورد استفاده قرار گیرد، بلکه با بهبود سلامت فضای اطلاعاتی و افزایش اعتماد عمومی به رسانه‌های دیجیتال، گامی مؤثر در جهت کاهش آسیب‌های اجتماعی ناشی از اطلاعات نادرست برمی‌دارد.