این روزا شبکه‌های اجتماعی (یعنی همون اپ‌ها و سایت‌هایی مثل توییتر و فیسبوک که ملت توش پست و استوری می‌ذارن) خیلی راحت می‌تونن شایعات (خصوصاً درباره موضوعات سلامت و پزشکی) رو تو دنیا پخش کنن. مثلاً یادتونه اوایل کرونا چقدر مطلب غلط دیدیم؟ همین باعث میشه هم اعتماد مردم به منابع رسمی کم بشه، هم مردم کارایی بکنن که واقعا براشون ضرر داره.
کارشناس‌ها همیشه دوست داشتن بفهمن کی داره این حرفای غلط رو پخش می‌کنه و چطوری میشه جلوی این جریان رو گرفت. یکی از روش‌های قدیمی برای اینکار، استفاده از یه سری محاسبات به اسم “centrality metrics” بوده؛ یعنی شاخص‌هایی که کمک می‌کنن بفهمیم کدوم کاربرا یا اکانت‌ها، تاثیر بیشتری روی بقیه دارن و اطلاعات (چه درست چه غلط) بیشتر از طریق اونا پخش میشه. مثلاً اگه یکی فالور زیادی داره و پستاش لایک و ری‌توییت می‌شن، طبق شاخص‌های سنتی جزو افراد کلیدی حساب میشه.
ولی الآن شبکه‌ها خیلی پیچیده‌تر و سریع‌تر شدن و اون روشای قدیمی بعضی وقتا جوابگو نیست. نویسندگان مقاله یه کار خفن کردن: اومدن سه تا متریک جدید و پیشرفته معرفی کردن که خیلی بهتر می‌تونن جریان شایعات رو تو شبکه‌های اجتماعی ردیابی کنن. این سه تا شاخص جدید بودن: ۱) Dynamic Influence Centrality (DIC) – یعنی سنجیدن تاثیر آدم‌ها توی گذر زمان نه فقط یه لحظه خاص، ۲) Health Misinformation Vulnerability Centrality (MVC) که هم آسون بخوام بگم یعنی ببینیم کدوم گره‌ها (یا همون آدم‌ها/اکانت‌ها) بیشتر در برابر شایعات آسیب‌پذیرن و راحت‌تر فریب می‌خورن؛ ۳) Propagation Centrality (PC) – یعنی اندازه‌گیری اینکه هر کسی چجوری توی زنجیره پخش اطلاعات نقش داره. برخلاف قبلیا، اینا فقط رو فالور و لایک نگاه نمی‌کردن، بلکه زمان، حساسیت مردم و پیچیدگی ارتباطات رو هم لحاظ می‌کردن.
واسه امتحان کردن این روش‌ها، داده‌های مربوط به دوره کرونایی شبکه‌های اجتماعی رو بررسی کردن؛ یه دیتاست به اسم FibVID. اومدن با روش سنتی، طبق معمول ۲۹ نفر یا اکانت تاثیرگذار رو پیدا کردن. ولی با این شاخص‌های جدید، ۲۴ نفر/اکانت متفاوت دیگه هم کشف شد که قبلی‌ها اصلاً نتونسته بودن تشخیصشون بدن! یعنی مجموعاً شد ۴۲ نفر/اکانت که افزایش ۴۴.۸۳ درصدی نشون میده. این یعنی تو شبکه‌ها همیشه چند تا پخش‌کننده اصلیِ شایعات هستن که با روش قدیمی دیده نمی‌شدن.
یه نکته جالب دیگه: وقتی فقط با شاخص‌های کلاسیک می‌خواستن جلوی شایعه رو بگیرن (اونم با مداخله، مثلاً بن کردن اون اکانت‌های تاثیرگذار) تونستن تا ۵۰٪ جلوی پخش خبرای دروغ رو بگیرن. ولی اگه این متریک‌های جدید رو هم ترکیب کنن، میزان کاهش می‌ره تا ۶۲.۵٪! یعنی حدود ۲۵٪ بهتر.
البته نویسنده‌ها به کرونا بسنده نکردن. با یه دیتاست دیگه به اسم Monant Medical Misinformation که اطلاعات خیلی گسترده‌تری داره (حرفای غلط درباره موضوعات مختلف پزشکی، نه فقط کرونا)، هم همین روش جدید رو تست کردن. باز هم نتایج خیلی خوب بودن و آدم‌هایی رو کشف کردن که اصلاً با روش کلاسیک نمی‌شد شناسایی‌شون کرد.
خلاصه اگر بخوام جمع‌بندی کنم، نتیجه تحقیقشون اینه که ترکیب روش‌های سنتی با این متریک‌های جدید (که زمان و حساسیت و چندلایه بودن شبکه رو هم حساب می‌کنن) باعث میشه خیلی قوی‌تر و دقیق‌تر بشه جلوی پخش شایعات سلامت رو تو شبکه‌های اجتماعی گرفت. این می‌تونه کمک کنه جامعه سالم‌تر باشه و مردم کمتر فریب خبرهای غلط رو بخورن. پس دفعه بعد که توی دنیای مجازی خبر عجیبی خوندی، بدون یه تیم دانشمند خبره دارن سعی می‌کنن با روش‌های پیشرفته‌تر این جریان دروغ و شایعه رو کنترل کنن!
منبع: +
