DOI: https://doi.org/10.1038/s41598-026-35175-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41513753
تاريخ النشر: 2026-01-09
المؤلف: Yanfei Ma وآخرون
الموضوع الرئيسي: المعلومات المضللة وتأثيراتها
نظرة عامة
تقدم البحث TIDE-MARK، وهو إطار عمل جديد لمراقبة المجتمعات الديناميكية للمستخدمين المعنيين في انتشار الأخبار الزائفة على وسائل التواصل الاجتماعي. على عكس المنهجيات الحالية التي غالبًا ما تتجاهل الديناميات الزمنية أو تعتمد على التجميع الثابت، يدمج TIDE-MARK الشبكات العصبية الرسومية الزمنية، والتجميع المدفوع بالنماذج الأولية، ونمذجة ماركوف لالتقاط انتقالات المجتمع بفعالية والحفاظ على التماسك الهيكلي بمرور الوقت. تم تقييم TIDE-MARK على ثلاثة مجموعات بيانات – PolitiFact وGossipCop وReCOVery – ويظهر أداءً متفوقًا في كل من المقاييس الهيكلية والزمنية، كاشفًا عن أنماط انتشار مميزة للأخبار الزائفة مقابل الأخبار الحقيقية. تشير النتائج إلى أن الأخبار الزائفة تميل إلى الانتشار من خلال مجتمعات أكثر استقرارًا وترابطًا، بينما يتم نشر الأخبار الحقيقية بطريقة أكثر تشتتًا.
لا يسهل الإطار العمل مراقبة الأخبار الزائفة في الوقت الحقيقي فحسب، بل يؤكد أيضًا على الاعتبارات الأخلاقية من خلال هيكله القابل للتفسير. ستتناول الأعمال المستقبلية التحديات مثل تكييف TIDE-MARK لتناسب الانهيارات ذات النشاط المنخفض، وتعزيز وظائف المكافأة لتحقيق العدالة في الاعتدال، ودمج الإشارات متعددة الأنماط لتحسين التمييز بين أنواع الأخبار. بالإضافة إلى ذلك، تم تحديد قابلية توسيع الإطار للتعامل مع مجموعات بيانات كبيرة ودمج تقنيات الحفاظ على الخصوصية كمجالات حاسمة لمزيد من الاستكشاف. بشكل عام، يؤسس TIDE-MARK أساسًا لأساليب مبتكرة لاكتشاف المجتمعات الديناميكية وتحليل المعلومات المضللة في الأنظمة الاجتماعية المعقدة.
مقدمة
في المشهد المعلوماتي المعاصر، يشكل الانتشار السريع للمعلومات المضللة عبر وسائل التواصل الاجتماعي تحديات كبيرة للرأي العام، ونزاهة الانتخابات، واتخاذ القرارات الصحية. يقود هذا الظاهرة بشكل أساسي مجتمعات مستخدمين منسقة تنشر رسائل مضللة، مما يستدعي فهمًا شاملاً لأصولها، وتطورها، وآليات تأثيرها. تهدف الدراسة إلى التحقيق في النمو الديناميكي لهذه المجتمعات خلال انهيارات المعلومات المضللة، مع التأكيد على أهمية تحليل السلوك الجماعي ضمن الأنظمة الاجتماعية المتطورة.
تسلط الأبحاث الضوء على أن التفاعلات على وسائل التواصل الاجتماعي ديناميكية بطبيعتها، تتميز بالمحادثات المستمرة ومشاركة المحتوى، مما يعقد اكتشاف المجتمعات التي تتغير هياكلها بمرور الوقت. بينما تركز النماذج الحالية، مثل تلك التي اقترحها Ma وآخرون، على التصنيف المبكر لانهيارات المعلومات المضللة، فإنها غالبًا ما تتجاهل التطور الهيكلي للتجمعات المستمرة التي تلعب دورًا حاسمًا في انتشار السرديات الكاذبة. هذه المجتمعات المستمرة، التي ترتبط بشكل كثيف ومستقرة مع مرور الوقت، تعمل كقنوات فعالة لتضخيم المعلومات المضللة، مما يجعل اكتشافها أمرًا حيويًا للتدخلات في الوقت المناسب وأنظمة الإنذار المبكر.
الطرق
في هذا القسم، يحدد المؤلفون المواد والأساليب المستخدمة لتسهيل إعادة الإنتاج ووضع نموذجهم في سياق تطبيق عملي. يوضحون مجموعات البيانات المستخدمة في الدراسة، مع التأكيد على أهميتها ومعايير الاختيار. علاوة على ذلك، يصف المؤلفون عملية بناء الرسوم البيانية الزمنية، والتي تعد عنصرًا أساسيًا في تحليلهم. هذا الإطار المنهجي ضروري لفهم النتائج والتداعيات اللاحقة للبحث.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تقييمهم لـ TIDE-MARK، وهي طريقة لاكتشاف المجتمعات الديناميكية، مقابل معايير مختلفة، بما في ذلك الأساليب المعتمدة على لوفيان وتقنيات الكشف الديناميكية الأخرى التي تستخدم تنظيمًا زمنيًا صريحًا. يركز التقييم على ثلاثة مقاييس رئيسية: الجودة الهيكلية (المقاسة بواسطة المودولارية $Q$ والتوصيل $\Phi$)، والسلاسة الزمنية (المقيمة باستخدام مؤشر راندي المعدل الزمني، ARI)، ومعيار مستقل للاحتفاظ (معلومات متبادلة طبيعية، NMI) بين التقسيمات المتتالية.
تشير النتائج إلى أن TIDE-MARK يحقق باستمرار أعلى الدرجات أو درجات مشابهة إحصائيًا عبر المقاييس التي تم تقييمها، متفوقًا بشكل خاص في NMI للاحتفاظ. تشير هذه الأداء إلى أن TIDE-MARK يوازن بفعالية بين التحسين عبر الجودة الهيكلية والسلاسة الزمنية، متفوقًا أو مطابقًا لأداء المنهجيات المعتمدة في سياق اكتشاف المجتمعات عبر مجموعات بيانات مثل PolitiFact وGossipCop وReCOVery.
المناقشة
تقدم قسم المناقشة في ورقة البحث TIDE-MARK، وهو إطار عمل جديد مصمم لتتبع المجتمعات الديناميكية في انهيارات المعلومات المضللة. يؤكد على أهمية التمييز بين الانتشار المنسق والتشتت العضوي من خلال النمذجة الهيكلية. يدمج TIDE-MARK ثلاثة مكونات رئيسية: تضمينات الشبكة العصبية الرسومية الزمنية (GNN) لالتقاط سلوك المستخدم المتطور، ونمذجة ماركوف لتوقع انتقالات المجتمع، وتعلم التعزيز لتحسين حدود المجتمع بناءً على المكافآت الحساسة للهيكل والزمن. يعزز هذا النهج المعياري من القابلية للتفسير والمرونة، معالجًا الفجوات في المنهجيات الحالية التي غالبًا ما تخلط بين التمثيل وعمليات اتخاذ القرار.
كما تنتقد الورقة الافتراض السائد بأن GNNs تتفوق عالميًا على الطرق الأخرى، مستشهدة بدراسات تظهر فعالية تقنيات التضمين الهيكلي مثل STEM وAcquired TASTE. من خلال تقييم TIDE-MARK على مجموعات بيانات من مجالات متنوعة – السياسة، والترفيه، والصحة – يقيم المؤلفون أدائها من حيث الاستقرار الهيكلي والتماسك الزمني. تشير النتائج إلى أن TIDE-MARK لا يحسن فقط اكتشاف المجتمعات في سياقات المعلومات المضللة، بل يساهم أيضًا في فهم أعمق للتفاعل بين الديناميات الزمنية والهيكلية في الشبكات الاجتماعية. يعيد هذا الإطار تعريف اكتشاف المجتمعات الديناميكية كعملية اتخاذ قرار متماسكة، مع تسليط الضوء على التعايش بين الاستقرار والقدرة على التكيف في سلوك المستخدم أثناء نشر المعلومات المضللة.
القيود
تعترف الدراسة بعدة قيود تعتبر حاسمة لتقييم شامل لنتائجها. أولاً، التحليل مقيد بانهيارات ذات تفاعل مستخدم كافٍ، مما يطرح تحديات عند محاولة توسيع المنهجية لتشمل آثار انتشار نادرة أو ذات نشاط منخفض. ثانيًا، بينما يظهر خط الأنابيب المقترح قابلية توسيع شبه خطية مع مجموعات بيانات متوسطة الحجم، فإن توسيعه لاستيعاب الرسوم البيانية الاجتماعية على نطاق الويب مع مليارات التفاعلات لا يزال عقبة تقنية كبيرة.
بالإضافة إلى ذلك، تركز الأبحاث بشكل أساسي على الخصائص الهيكلية والزمنية للبيانات. يمكن أن تستفيد التطورات المستقبلية من دمج الإشارات متعددة الأنماط، مثل محتوى اللغة، وديناميات المشاعر، والتفاعلات عبر المنصات، مما قد يعزز من قابلية تفسير وموثوقية النهج.
DOI: https://doi.org/10.1038/s41598-026-35175-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41513753
Publication Date: 2026-01-09
Author(s): Yanfei Ma et al.
Primary Topic: Misinformation and Its Impacts
Overview
The research presents TIDE-MARK, a novel framework for monitoring dynamic user communities involved in the spread of fake news on social media. Unlike existing methodologies that often overlook temporal dynamics or rely on static clustering, TIDE-MARK integrates temporal graph neural networks, prototype-driven clustering, and Markov modeling to effectively capture community transitions and maintain structural coherence over time. Evaluated on three datasets—PolitiFact, GossipCop, and ReCOVery—TIDE-MARK demonstrates superior performance in both structural and temporal metrics, revealing distinct propagation patterns for fake versus real news. The findings suggest that fake news tends to spread through more stable and interconnected communities, while real news is disseminated in a more scattered manner.
The framework not only facilitates real-time monitoring of fake news but also emphasizes ethical considerations through its interpretable architecture. Future work will address challenges such as adapting TIDE-MARK for low-activity cascades, enhancing reward functions for fairness in moderation, and incorporating multi-modal signals for improved differentiation between news types. Additionally, the scalability of the framework to handle large datasets and the integration of privacy-preserving techniques are identified as critical areas for further exploration. Overall, TIDE-MARK establishes a foundation for innovative approaches to dynamic community detection and misinformation analysis in complex social systems.
Introduction
In the contemporary information landscape, the rapid dissemination of misinformation via social media poses significant challenges to public opinion, electoral integrity, and health decision-making. This phenomenon is primarily driven by coordinated user communities that propagate misleading messages, necessitating a comprehensive understanding of their origins, evolution, and influence mechanisms. The study aims to investigate the dynamic growth of these communities during misinformation cascades, emphasizing the importance of analyzing collective behavior within evolving social systems.
The research highlights that interactions on social media are inherently dynamic, characterized by ongoing conversations and content sharing, which complicates the detection of communities whose structures change over time. While existing models, such as the one proposed by Ma et al., focus on the early classification of misinformation cascades, they often overlook the structural evolution of persistent clusters that play a crucial role in the spread of false narratives. These persistent communities, which are densely connected and stable over time, serve as effective channels for amplifying misinformation, making their detection vital for timely interventions and early warning systems.
Methods
In this section, the authors outline the materials and methods employed to facilitate reproducibility and contextualize their model within a practical application. They detail the datasets utilized in the study, emphasizing their relevance and selection criteria. Furthermore, the authors describe the process of constructing temporal graphs, which serves as a foundational component of their analysis. This methodological framework is crucial for understanding the subsequent findings and implications of the research.
Results
In this section, the authors present the results of their evaluation of TIDE-MARK, a dynamic community detection method, against various benchmarks, including Louvain-based approaches and other dynamic detection techniques that employ explicit temporal regularization. The evaluation focuses on three key metrics: structural quality (measured by modularity $Q$ and conductance $\Phi$), temporal smoothness (assessed using temporal Adjusted Rand Index, ARI), and an independent hold-out criterion (Normalized Mutual Information, NMI) between consecutive partitions.
The findings indicate that TIDE-MARK consistently achieves the highest or statistically comparable scores across the evaluated metrics, particularly excelling in the hold-out NMI. This performance suggests that TIDE-MARK effectively balances optimization across structural quality and temporal smoothness, outperforming or matching the performance of established methodologies in the context of community detection across datasets such as PolitiFact, GossipCop, and ReCOVery.
Discussion
The discussion section of the research paper introduces TIDE-MARK, a novel framework designed for tracking dynamic communities in misinformation cascades. It emphasizes the importance of distinguishing between coordinated propagation and organic diffusion through structural modeling. TIDE-MARK integrates three key components: temporal graph neural network (GNN) embeddings for capturing evolving user behavior, Markov modeling for forecasting community transitions, and reinforcement learning for refining community boundaries based on structure- and time-sensitive rewards. This modular approach enhances interpretability and flexibility, addressing gaps in existing methodologies that often conflate representation and decision-making processes.
The paper also critiques the prevailing assumption that GNNs universally outperform other methods, citing studies that demonstrate the effectiveness of structural embedding techniques like STEM and Acquired TASTE. By evaluating TIDE-MARK on datasets from diverse domains—politics, entertainment, and health—the authors assess its performance in terms of structural stability and temporal coherence. The findings suggest that TIDE-MARK not only improves community detection in misinformation contexts but also contributes to a deeper understanding of the interplay between temporal and structural dynamics in social networks. This framework redefines dynamic community detection as a coherent decision-making process, highlighting the coexistence of stability and adaptability in user behavior during misinformation dissemination.
Limitations
The study acknowledges several limitations that are crucial for a comprehensive evaluation of its findings. Firstly, the analysis is confined to cascades with sufficient user engagement, which poses challenges when attempting to extend the methodology to include sparse or low-activity diffusion traces. Secondly, while the proposed pipeline demonstrates quasi-linear scalability with medium-scale datasets, scaling it to accommodate web-scale social graphs with billions of interactions remains a significant technical hurdle.
Additionally, the research primarily focuses on structural and temporal characteristics of the data. Future advancements could benefit from the integration of multimodal signals, such as language content, sentiment dynamics, and cross-platform interactions, which may enhance the interpretability and robustness of the approach.