Un nouvel algorithme améliore la détection de la désinformation sur les réseaux sociaux
La désinformation est un phénomène croissant sur les plateformes numériques, qui a un impact significatif sur les événements sociaux, politiques et économiques. Cela constitue depuis longtemps une menace pour la liberté et la démocratie. Cependant, cette question devient aujourd’hui encore plus urgente en raison de la rapidité avec laquelle les campagnes se propagent via les médias numériques.
Des chercheurs d'IMDEA Networks, de l'Université de technologie de Chypre et de LSTECH ESPAÑA SL ont développé l'algorithme HyperGraphDis, qui permet de détecter la désinformation sur les réseaux sociaux, contribuant ainsi à lutter contre la prolifération des fausses nouvelles.
Le Dr Marius Paraschiv, chercheur principal chez IMDEA Networks et l'un des auteurs de l'étude, explique : « Notre étude « HyperGraphDis : Leveraging Hypergraphs for Contextual and Social-Based Disinformation Detection » propose une méthode de détection qui prend en compte les structures sociales complexes entre les utilisateurs. , ainsi que des éléments relationnels et sémantiques, pour déterminer la nature de leur contenu généré.
Le Dr Nikolaos Laoutaris, professeur de recherche à IMDEA Networks, ajoute : « Avec des volumes toujours croissants de données sur les réseaux sociaux, il ne suffit pas d'atteindre une grande précision dans la détection des fausses nouvelles ; les algorithmes de détection doivent être évolutifs et rapides pour gérer de gros volumes de données. en temps quasi réel. Notre nouvel algorithme HyperGraphDis améliore non seulement la précision de la détection, mais réduit également considérablement le temps d'exécution, ce qui le rend beaucoup plus pratique que les méthodes concurrentes.
Plus précisément, les scientifiques ont évalué quatre ensembles de données Twitter/X sur les élections présidentielles américaines de 2016 et la pandémie de COVID-19. HyperGraphDis a surpassé les méthodes existantes en termes de précision et d'efficacité de calcul, soulignant son efficacité et son évolutivité pour relever les défis posés par la propagation de la désinformation.
L’étude révèle que la désinformation n’est pas toujours directement vérifiable et dépend du contexte. Par conséquent, Paraschiv souligne qu'il est crucial de « considérer le contexte et d'analyser les relations et l'environnement de ceux qui diffusent l'information, les communautés auxquelles ils appartiennent ou leur relation avec les sources de désinformation connues ».
« De plus, ces sources ne sont pas nécessairement les principaux générateurs d'un élément de désinformation ; elles peuvent simplement être des propagateurs ou des amplificateurs, agissant en tant qu'individus qui introduisent cette désinformation dans une communauté où elle est ensuite amplifiée par d'autres membres. »
Comment fonctionne HyperGraphDis
HyperGraphDis combine des techniques avancées telles que les réseaux neuronaux hypergraphiques, le regroupement de graphiques pour la détection de communauté et le traitement du langage naturel pour la compréhension de textes. Cela permet une détection plus efficace et plus précise de la désinformation.
Les chercheurs se sont concentrés sur Twitter/X en raison de la disponibilité d'ensembles de données complexes, bien que HyperGraphDis puisse être adapté à d'autres plateformes sociales. Un autre avantage est qu’il offre aux propriétaires de plateformes un moyen efficace d’atténuer les effets de la désinformation, en permettant de mieux comprendre comment elle se propage et comment la combattre efficacement en facilitant des réponses fondées sur des faits et adaptées au contexte.
Défis et développements futurs
Le projet a été confronté à de nombreux défis, depuis la collecte de données à jour sur Twitter/X (les messages sont supprimés, les comptes sont supprimés, le contenu des messages peut être modifié et ne pas refléter la signification originale, etc.) jusqu'à la construction d'hypergraphes complexes. Cependant, les chercheurs se tournent déjà vers l’avenir : la détection multimodale de la désinformation à l’aide de modèles avancés comme GPT-4.
« C'est peut-être la prochaine étape logique, mais il reste des obstacles importants à surmonter, notamment les problèmes de mise à l'échelle et d'agrégation d'informations provenant de sources multiples », conclut Paraschiv.
