[論文レビュー] An Information Diffusion Approach to Rumor Propagation and Identification on Twitter

Abiola Osho, Caden Waters+1 more|arXiv (Cornell University)|Feb 24, 2020

Misinformation and Its Impacts参考文献 17被引用数 5

ひとこと要約

本稿では、潜在的なメッセージ特徴とユーザー間相互作用のダイナミクスを分析することで、Twitter上でのフェイクニュースの予測と同定を目的としたマイクロレベルの情報拡散モデルを提案する。実際のTwitterデータを用い、ベイズ推論に基づくロジスティック回帰とランダムフォレストによる特徴選択を適用した結果、真贋の両方のフェイクニュース拡散予測において90%の精度を達成した。拡散パターンが信頼性特定に特に重要であることが示された。

ABSTRACT

With the increasing use of online social networks as a source of news and information, the propensity for a rumor to disseminate widely and quickly poses a great concern, especially in disaster situations where users do not have enough time to fact-check posts before making the informed decision to react to a post that appears to be credible. In this study, we explore the propagation pattern of rumors on Twitter by exploring the dynamics of microscopic-level misinformation spread, based on the latent message and user interaction attributes. We perform supervised learning for feature selection and prediction. Experimental results with real-world data sets give the models' prediction accuracy at about 90\% for the diffusion of both True and False topics. Our findings confirm that rumor cascades run deeper and that rumor masked as news, and messages that incite fear, will diffuse faster than other messages. We show that the models for True and False message propagation differ significantly, both in the prediction parameters and in the message features that govern the diffusion. Finally, we show that the diffusion pattern is an important metric in identifying the credibility of a tweet.

研究の動機と目的

• Twitter上での真贋情報の拡散ダイナミクスの違いをマイクロスケールで調査すること。
• 誤情報拡散に影響を与える主要な潜在的メッセージ特徴およびユーザー相互作用特徴を同定すること。
• 拡散行動に基づいて真贋コンテンツを区別できる予測モデルを開発すること。
• 拡散パターンがツイート信頼性を特定する指標として信頼できるかを評価すること。
• 多様なトピックと信頼性水準に適用可能な、移譲可能なフェイクニュース検出モデルを構築すること。

提案手法

• Snopesを基準事実ソースとして用い、真または偽とラベル付けされたトピックに関する実世界のTwitterデータを収集する。
• Twitter APIを用いて、17のユーザーレベル特徴（3つのネットワーク特徴、14の相互作用特徴）と24のメッセージレベル特徴（10つの観察可能な特徴、14の潜在的特徴）を抽出する。
• 各フォロワーに対して、共有投稿に反応したかどうかに基づき、拡散ラベル（拡散あり／なし）を割り当てる。
• ランダムフォレストを用いて特徴の重要度順位を付け、拡散に最も影響を与える予測要因を特定する。
• 上位20個の特徴に基づいてベイズ推論に基づくロジスティック回帰モデルを訓練し、ツイートに対するユーザーリアクション（拡散）を予測する。
• 拡散ラベルを入力特徴として組み込むことで、モデルを拡張し、ツイートの信頼性を予測するようにする。

実験結果

リサーチクエスチョン

• RQ1 Twitter上での真贋情報の拡散において、潜在的メッセージ特徴とユーザー相互作用パターンはどのように異なるか？
• RQ2 どのメッセージ特徴および相互作用特徴が、ユーザーリアクション（フェイクニュースへの反応）の確率に最も顕著に影響を与えるか？
• RQ3 ユーザーリアクション行動によって測定されるツイートの拡散パターンは、その信頼性を示す信頼できる指標とみなせるか？
• RQ4 本モデルは、異なるトピックや信頼性タイプに一般化可能か。特に、未観測データを用いたテストにおいてどうか？
• RQ5 メッセージ特徴のみを用いる場合と比較して、拡散状態を組み込むことで、信頼性予測の精度がどの程度向上するか？

主な発見

• 真のコンテンツの拡散予測において91.6%のF1スコア、偽のコンテンツの拡散予測において89.9%のF1スコアを達成し、優れた予測性能を示した。
• ニュース風に装ったフェイクニュースや恐怖を誘発する内容のフェイクニュースは、感情極性に関係なく、他のメッセージよりも速くかつ広く拡散された。
• ツイートの拡散パターンは、信頼性の予測において顕著な要因であり、拡散特徴を含めた場合、信頼性同定の正確性が91%に達した。
• 拡散ラベルを除外した場合、信頼性予測の正確性は82%に低下した。これは、拡散ダイナミクスが信頼性評価において極めて重要な役割を果たしていることを示している。
• 真のメッセージと偽のメッセージの両方の拡散プロセスにおいて、予測に重要な特徴や背後にある拡散メカニズムが顕著に異なることが分かった。
• 社会的同質性と混合感情は、両モデルにおいて強力な予測要因であった。これは、ユーザーやメッセージの価値がどうであれ、同質の意見を持つ人々からのコンテンツに反応する傾向があることを示している。