فهرس المقالات Fake News

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - استفاده از شبکه مولد متخاصم شرطی برای تولید داده با هدف بهبود کلاس¬بندی کاربران منتشرکننده اخبار جعلی
  عارفه اسمعیلی سعید فرضی
  سالیان درازی است که اخبار و پیام های جعلی در جوامع انسانی منتشر می گردد و امروزه با فراگیرشدن شبکه های اجتماعی در بین مردم، امکان نشر اطلاعات نادرست بیشتر از قبل شده است. بنابراین، شناسایی اخبار و پیام های جعلی به موضوع برجسته ای در جوامع تحقیقاتی تبدیل شده است. ضمناً أکثر

  سالیان درازی است که اخبار و پیام های جعلی در جوامع انسانی منتشر می گردد و امروزه با فراگیرشدن شبکه های اجتماعی در بین مردم، امکان نشر اطلاعات نادرست بیشتر از قبل شده است. بنابراین، شناسایی اخبار و پیام های جعلی به موضوع برجسته ای در جوامع تحقیقاتی تبدیل شده است. ضمناً، شناسایی کاربرانی که این اطلاعات نادرست را ایجاد می کنند و در شبکه نشر می دهند، از اهمیت بالایی برخوردار است. این مقاله، به شناسایی کاربرانی که با زبان فارسی اقدام به انتشار اطلاعات نادرست در شبکه اجتماعی توئیتر می کنند، پرداخته است. در این راستا، سیستمی بر مبنای ترکیب ویژگی های بافتار-کاربر و بافتار-شبکه با کمک شبکه مولد متخاصم شرطی برای متوازن سازی مجموعه -داده پایه ریزی شده است. هم چنین، این سیستم با مدل کردن شبکه اجتماعی توئیتر به گراف تعاملات کاربران و تعبیه گره به بردار ویژگی توسط Node2vec، کاربران منتشرکننده اخبار جعلی را شناسایی می کند. علاوه بر این، با انجام آزمایشات متعدد، سیستم پیشنهادی تا حدود 11% ، 13 % ،12 % و 12 % به ترتیب در معیار های دقت، فراخوانی، معیار اف و صحت نسبت به رقبایش بهبود داشته است و توانسته است دقتی در حدود 99% در شناسایی کاربران منتشرکننده اخبار جعلی ایجاد کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - طراحی مدل داینامیکی ارزش ویژه برند با تمرکز بر اخبار جعلی و دانش مشتری (مورد مطالعه برند کوکاکولا)
  داود  ارین نژاد علیرضا   پویا هادی  بستام علی  حسین زاده
  هدف: هدف این پژوهش طراحی مدل داینامیکی ارزش ویژه برند با تمرکز بر اخبار جعلی و دانش مشتری می باشد. روش شناسی: رویکرد پژوهشی مورد استفاده آمیخته هست و دوره زمانی شبیه‌سازی در این تحقیق (از سال 2020- 2025) بوده است. جمع‌آوری اطلاعات در مراحل شناخت متغیرها، بیان فرضیه پوی أکثر

  هدف: هدف این پژوهش طراحی مدل داینامیکی ارزش ویژه برند با تمرکز بر اخبار جعلی و دانش مشتری می باشد. روش شناسی: رویکرد پژوهشی مورد استفاده آمیخته هست و دوره زمانی شبیه‌سازی در این تحقیق (از سال 2020- 2025) بوده است. جمع‌آوری اطلاعات در مراحل شناخت متغیرها، بیان فرضیه پویا، مفهوم‌سازی سیستم و تشکیل نمودارهای علّی و معلولی اولیه از منابع کتابخانه‌ای استفاده شده است؛ برای شفاف‌ سازی چگونگی تأثیرگذاری متغیرها بر یکدیگر، فرموله نویسی روابط و تأیید اعتبار مدل نهایی پویایی سیستمی از مصاحبه با خبرگان در صنعت مواد غذایی و شرکت خوشگوار مشهد ‌ ‌‌‌(تولیدکننده محصولات کوکاکولا) و آزمونهای حالت حدی، آزمون کفایت مرز و باز‌ تولید ‌‌‌رفتار بهره گرفته شد. یافته ها: بر اساس نتایج تحقیق ارزش ویژه برند ماهیت پویا داشته و همه ابعاد و مؤلفه‌های اثرگذار بر آن در طول زمان بر اساس سیاست‌های مختلف قابلیت تغییر دارند و همچنین تکرار و گسترش اخبار جعلی در خصوص یک سازمان و محصولاتش می‌تواند ارزش ویژه برند را کاهش دهد و میزان باور مشتریان و اعتبار سازمان با تکرار اخبار جعلی کاهش می‌‌یابد. نتیجه گیری: سرمایه‌گذاری سازمان در راستای بالا بردن دانش مشتری در خصوص محصولات و رفع سوء ‌‌‌‌‌‌‌‌‌‌‌‌‌برداشت‌های ناشی از اخبار جعلی می‌توا‌ند اعتماد به برند را افزایش داده و منجر به خنثی‌سازی اثر اخبار جعلی بر ارزش ویژه برند شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - Image Fake News Detection using Efficient NetB0 Model
  Yasmine Almsrahad Nasrollah  Moghaddam Charkari
  10.61186/jist.40976.12.45.41
  Today, social networks have become a prominent source of news, significantly altering the way people obtain news from traditional media sources to social media. Alternatively, social media platforms have been plagued by unauthenticated and fake news in recent years. How أکثر

  Today, social networks have become a prominent source of news, significantly altering the way people obtain news from traditional media sources to social media. Alternatively, social media platforms have been plagued by unauthenticated and fake news in recent years. However, the rise of fake news on these platforms has become a challenging issue. Fake news dissemination, especially through visual content, poses a significant threat as people tend to share information in image format. Consequently, detecting and combating fake news has become crucial in the realm of social media. In this paper, we propose an approach to address the detection of fake image news. Our method incorporates the error level analysis (ELA) technique and the explicit convolutional neural network of the EfficientNet model. By converting the original image into an ELA image, it is possible to effectively highlight any manipulations or discrepancies within the image. The ELA image is further processed by the EfficientNet model, which captures distinctive features used to detect fake image news. Visual features extracted from the model are passed through a dense layer and a sigmoid function to predict the image type. To evaluate the efficacy of the proposed method, we conducted experiments using the CASIA 2.0 dataset, a widely adopted benchmark dataset for fake image detection. The experimental results demonstrate an accuracy rate of 96.11% for the CASIA dataset. The results outperform in terms of accuracy and computational efficiency, with a 6% increase in accuracy and a 5.2% improvement in the F-score compared with other similar methods. تفاصيل المقالة