الگوریتم‌های یادگیری ماشین در پایش اطلاعات نادرست شبکه‌های اجتماعی در مدیریت ریسک و بحران‌های طبیعی

پریناز مهاجرانی¹ اکبرنصراللهی² مهدی زارع³

1) دانشجوی دکتری مدیریت رسانه دانشگاه آزاد اسلامی واحد تهران مرکز
2) دانشیار دانشگاه ازاد اسلامی واحد تهران مرکز
3) استاد تمام پژوهشگاه زازله شناسی ایران

کد IOI مقاله : AAHE-AAHHKC
محل انتشار : کنفرانس ملی فناوری های عمران، طراحی و ساخت، انرژی، مواد و ماشین آلات پیشرفته(icaeu.ir)
چکیده :
    چکیده در شرایط بحران‌های طبیعی، رسانه‌های اجتماعی به بستری برای انتشار سریع اطلاعات تبدیل می‌شوند؛ اما بخشی از این اطلاعات نادرست یا شایعه‌محور بوده و می‌تواند روند مدیریت بحران را مختل کند. پژوهش حاضر با هدف ارزیابی عملکرد الگوریتم‌های یادگیری ماشین در تشخیص اطلاعات نادرست در رسانه‌های اجتماعی فارسی‌زبان، در سه بحران طبیعی ایران انجام شده است: زلزله خوی (۱۴۰۱)، زلزله کرمانشاه (۱۳۹۶) و سیل بهار ۱۴۰۲. مجموعه‌ای شامل بیش از ۸۵۰ هزار پیام متنی از شبکه‌های اجتماعی گردآوری، پاک‌سازی و توسط خبرگان حوزه بحران برچسب‌گذاری شد. ویژگی‌هایی چون زمان انتشار، اعتبار منبع، شدت هیجان، تضاد با اطلاعیه‌های رسمی و موقعیت مکانی با استفاده از روش TF-IDF و تحلیل زبانی استخراج شدند. سه الگوریتم یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و بیز ساده (NB) آموزش داده شده و با معیارهای دقت، فراخوانی، اختصاصیت، ماتریس سردرگمی و نمودار ROC ارزیابی شدند. نتایج نشان دادند که الگوریتم RF با دقت ۸۴٪، فراخوانی ۸۱٪ و اختصاصیت ۸۷٪ عملکرد بهتری نسبت به سایر مدل‌ها دارد. همچنین تحلیل رفتاری کاربران نشان داد که افراد جوان‌تر و دارای سواد رسانه‌ای پایین‌تر بیشتر در انتشار شایعات نقش دارند. این پژوهش نشان می‌دهد که استفاده از یادگیری ماشین در پایش اطلاعات نادرست می‌تواند به طراحی سامانه‌های پشتیبان تصمیم‌گیری، ارتقاء سواد رسانه‌ای و تدوین سیاست‌های ارتباطی در مدیریت بحران کمک کند.

کلمات کلیدی : یادگیری ماشینی اطلاعات نادرست رسانه اجتماعی مدیریت بحران هوش مصنوعی