Модель еволюції процесів поширення фейкових інформаційних повідомлень у соціальних мережах
Анотація
Проаналізовано етапи еволюції процесів поширення неправдивих (фейкових) інформаційних повідомлень у глобальних соціальних мережах та охарактеризовано ключові механізми, що визначають їхню інтенсивність і напрям розвитку. Встановлено, що феномен фейкових новин поступово еволюціонував від традиційних централізованих медіа до високодинамічних децентралізованих комунікаційних структур, де критичну роль відіграють алгоритмічні системи рекомендацій, персоналізовані стрічки та механізми інформаційної селекції. З'ясовано, що сучасні соціальні мережі формують умови для пришвидшеної дифузії неправдивого контенту завдяки високій щільності локальних зв'язків, наявності впливових вузлів-хабів і підсиленню ефектів ехо-камер і когнітивної упередженості користувачів. Охарактеризовано закономірності впливу бот-мереж, автоматизованих агентів, алгоритмів машинного навчання, механізмів гіпертаргетингу та генеративних моделей штучного інтелекту на збільшення масштабів і швидкості формування інформаційних каскадів. Оцінено вплив топологічних характеристик соціальних графів, таких як коефіцієнт кластеризації, середня довжина шляху, щільність зв'язків, міжкластерна взаємодія, міра центральності та структурна кореляція між групами, на ймовірність виникнення швидких і довготривалих хвиль поширення дезінформації. Встановлено експоненційний та нелінійний характер зростання кількості репостів, скорочення глибини каскадів і збільшення темпу оновлення інформаційних потоків у період 2015-2025 рр., що свідчить про перехід системи до режиму стійкого самопідсилення. Охарактеризовано запропоновану графову модель, побудовану на підставі ймовірнісних процесів і структурно-динамічних залежностей, яка дає змогу відтворювати еволюцію фейкових каскадів із врахуванням локальних аномалій, впливу хабів і стохастичної природи взаємодій між користувачами. Обґрунтовано можливість застосування цієї моделі як базового інструменту для розроблення інтелектуальних систем моніторингу, прогнозування та раннього виявлення аномального контенту, а також для розроблення стратегій протидії дезінформації у складних соціальних екосистемах.
Завантаження
Посилання
Cheng, P., Zhang, H., & Zhou, S. (2022). Topology-driven modeling of misinformation cascades in social networks. Information Sciences, vol. 604, 120–134. https://doi.org/10.1016/j.ins.2021.11.101
de Campos, L., & Simari, G. R. (2025). Logic-based Analysis of Fake News Diffusion on Social Media. Social Network Analysis and Mining, 15(2), 172–184. https://doi.org/10.1007/s13278-025-01472-5
Gong, Y., et al. (2023). Fake news detection through graph-based neural networks: A survey. Neural Computing and Applications, 35(14), 10045–10063. https://doi.org/10.1007/s00521-023-08206-8
Huang, Q., Li, M., & Zhao, S. (2024). Temporal patterns in misinformation diffusion: Resonance cycles and peak activation windows. Expert Systems with Applications, vol. 238, article ID 121834. https://doi.org/10.1016/j.eswa.2023.121834
Kim, B., & Oh, E. (2021). Information diffusion in complex social networks: A clustering-based approach. Physica A: Statistical Mechanics and its Applications, 585, 126–138. https://doi.org/10.1016/j.physa.2021.126138
Li, Z., & Xiong, F. (2024). Controlling the Misinformation Diffusion in Social Media by the Effect of Different Classes of Agents. Physica A: Statistical Mechanics and its Applications, 642, article ID 129678. https://doi.org/10.1016/j.physa.2024.129678
Ma, J., Chen, X., & Lü L. (2021). Early-stage propagation dynamics of misinformation in complex networks. Physica A: Statistical Mechanics and its Applications, vol. 587, article ID 126400. https://doi.org/10.1016/j.physa.2021.126400
Murayama, K., & Yamamoto, H. (2023). Behavioral drivers of rumor and fake news spreading: A network-analytic perspective. Social Network Analysis and Mining, vol. 13, 93– 96. https://doi.org/10.1007/s13278-023-01093-y
Rahimian, E., & Li, J. (2024). The Spread of Misinformation in Networks with Individual and Social Learning. Economics Letters, 237, article ID 111835. https://doi.org/10.1016/j.econlet.2024.111835
Shao, C., Ciampaglia, G. L., Varol, O., Yang, K.-C., Flammini, A., & Menczer, F. (2020). The spread of low-credibility content by automated agents. Nature Communications, vol. 11, article ID 478. https://doi.org/10.1038/s41467-020-18530-1
Shu, K., Sliva, A., Wang, S., Tang, J., & Liu, H. (2021). Hierarchical propagation networks for fake news detection. Information Processing & Management, 58(4), 102–118. https://doi.org/10.1016/j.ipm.2021.102118
Stein, R., et al. (2022). Network segregation and the propagation of misinformation. Scientific Reports, 12(1), 1–13. https://doi.org/10.1038/s41598-022-26913-5
Tang, Y., Liu, F., & Ren, X. (2024). Multilevel graph-based modeling of misinformation evolution in online social platforms. Knowledge-Based Systems, vol. 297, article ID 110234. https://doi.org/10.1016/j.knosys.2024.110234
Zhang, Y., & Li, Z. (2023). Influence of bridge nodes on global misinformation cascades in large-scale social networks. Applied Network Science, vol. 8, 24–29. https://doi.org/10.1007/s41109-023-00501-4
Zhao, Z., Resnick, P., & Mei, Q. (2020). Fake news propagates differently from real news even at early stages. EPJ Data Science, 9(1), 1–17. https://doi.org/10.1140/epjds/s13688-020-00224-z
Zhou, X., & Zafarani, R. (2019). Network-based fake news detection: A pattern-driven approach. ACM SIGKDD Explorations Newsletter, 21(2), 48–60. https://doi.org/10.1145/3373464.3373471
