فهرست نشریات علمی دسترسی آزاد ایران

در سال‌های اخیر، با توسعه سریع و افزایش محبوبیت رسانه‌های اجتماعی، شاهد رشد گسترده‌ای در حجم و تنوع اخبار جعلی بوده‌ایم. این پدیده اثرات عمیقی بر روی افراد و جامعه دارد. راستی‌آزمایی روشی است که به‌طوری گسترده برای مقابله با اثرات منفی انتشار اخبار جعلی استفاده می‌شود. اما این روش هنگام تحلیل حجم عظیم اطلاعات کارآمد نیست. بنابراین از مدل‌های پیشرفته یادگیری ماشین و رویکردهای مبتنی ‌بر ویژگی برای شناسایی خودکار اخبار جعلی استفاده می‌شود. در همان حال، تعداد زیاد مدل‌ها و ناهمگونی ویژگی‌های مورد استفاده در ادبیات، اغلب محدودیت‌هایی برای محققانی که سعی در بهبود عملکرد مدل دارند، ایجاد می‌کند. به ‌همین دلیل، در مطالعه حاضر با روش مرور نظام‌مند، چارچوبی جامع از ویژگی‌هایی که در تشخیص اخبار جعلی استفاده می‌شوند، ارائه شده ‌است. به‌منظور انجام این مرور نظام‌مند با استفاده از راهنمای ارائه‌شده توسط «اوکولی» و «اسچابرام»، کلیه مطالعات انجام‌گرفته در حوزه اخبار جعلی با استفاده از کلیدواژه‏های مرتبط، از پایگاه داده‎های ScienceDirect، Springer، Emerald، IEEE، ACM، Wiley، Sage، JSTOR، Taylor و WOS استخراج شد و سرانجام، تعداد 72 مقاله مرتبط مورد بررسی قرار گرفت. در نتیجه تحلیل مقالات مرتبط، ویژگی‌ها در دو طبقه اصلی محتوای خبر و زمینه خبر قرار گرفتند. محتوای خبر شامل ویژگی‌های زبانی و معنایی، ویژگی‌های بصری و ویژگی‌های مبتنی‌ بر سبک هستند. زمینه خبر نیز شامل ویژگی‌های مبتنی ‌بر کاربر، پست و شبکه است. نتایج به‌دست‌آمده نشان داد که پرکاربردترین ویژگی‌ها در تشخیص اخبار جعلی ویژگی‌های مبتنی ‌بر پروفایل کاربر، ویژگی‌های سبک آماری، الگوی نوشتاری و خوانایی هستند. با توجه به تنوع بالای ویژگی‌های موجود پیشنهاد می‌شود ارزیابی گسترده‌ای از ویژگی‌ها، مدل‌ها و همچنین عملکرد ‌آنها در مجموعه داده‌های متعدد انجام شود و از این طریق عملکرد مدل‌ها و مجموعه ویژگی‌های مختلف مقایسه شود تا بهترین ترکیب ویژگی در شرایط مختلف مشخص گردد.