Twitter'da Makine Öğrenmesi Yöntemleriyle Sahte Haber Tespiti

Yıl 2023, , 1017 - 1027, 31.07.2023

Mehmet Kayakuş , Fatma Yiğit Açıkgöz

https://doi.org/10.11616/asbi.1266179

Cited By: 4

Öz

Gelişen teknolojik olanaklara bağlı olarak iletişim alanında da önemli değişiklikler yaşanmıştır. İnternetin yaygınlaşması ile geleneksel iletişim araçlarının yerini bilgiye ulaşmanın hızlı ve kolay olduğu yeni teknolojik yöntemler almıştır. Bu teknolojik yeniliklerin başında da kullanıcıların interaktif iletişimine olanak sağlayan sosyal medya platformları gelmektedir. Kullanıcıların hizmetine sunulan birçok sosyal ağ arasında Twitter, yazılı ve görsel habercilik için uygun bir platform olması nedeniyle hem gündemi takip etmek isteyen kullanıcılar hem de haberini hızla hedef kitleye ulaştırmak isteyen haber kaynakları tarafından yoğun olarak tercih edilmektedir. Haberin insanlar arasında hızla yayılması ve etkileşim sağlamasına olanak sunan bu platformun avantajları yanında bazı dezavantajları da bulunmaktadır. Haberin kontrol edilememesi nedeniyle sahte haberlerin dolaşıma sokulması ve bunların engellenme güçlüğü bunlardan bazılarıdır. Bu çalışmada Twitter’da sahte haberleri tespit etmek için makine öğrenmesi yöntemleri kullanılmıştır. Örnek bir konu seçilmiş ve bununla ilgili yapılmış sahte ve gerçek haberler tespit edilmiştir. Çalışmada karar ağaçları ve Naive Bayes yöntemleri kullanılmıştır. Çalışmanın sonuçları karışıklık matrisi ve F1 skoru yöntemine göre karşılaştırılmıştır. Karar ağaçları yönteminin F1 skoru 0,829, Naive Bayes yönteminin ise 0,883 olmuştur. Bu sonuçlara göre Naive Bayes yönteminin Twitter’da sahte haber tespiti için daha başarılı bir yöntem olduğu görülmüştür. Bu çalışma ile Twitter’da sahte haberlerin tespiti yapılabilecek ve önlemler alınabilecektir.

Anahtar Kelimeler

Sahte haber, Twitter, makine öğrenmesi, metin madenciliği

Fake News Detection On Twitter With Machine Learning Methods

Öz

Depending on the developing technological possibilities, there have been significant changes in the field of communication. With the widespread use of the Internet, traditional means of communication have been replaced by new technological methods that enable quick and easy access to information. At the forefront of these technological innovations is social media platforms that allow users to interact interactively. Among the many social networks offered to users, Twitter is preferred by both users who want to follow the agenda and news sources who want to deliver their news quickly to the target audience, as it is a suitable platform for written and visual journalism. This platform, which allows the news to spread and interact rapidly among people, has some disadvantages as well as advantages. Some of these are the difficulty of putting fake news into circulation and preventing them due to the inability to control the news. In this study, machine learning methods were used to detect fake news on Twitter. An exemplary topic was selected and fake and real news about it were identified. Decision trees and Naive Bayes methods were used in the study. The results of the study were compared according to the confusion matrix and F1 score method. The F1 score of the decision tree method was 0.829, and the Naive Bayes method was 0.883. According to these results, it has been seen that the Naive Bayes method is a more successful method for detecting fake news on Twitter. With this study, it will be possible to detect fake news on Twitter and take precautions.

Anahtar Kelimeler

Fake news, Twitter, machine learning

Kaynakça

• Amanzholova, A., Doğru, İ. A. ve Coşkun, A. (2019), Twitterda Veri Madenciliği Yöntemlerin Kullanarak Bot Tespiti. Ejons Internatıonal Journal, 3(11), s.98-107. Aydin, I., Mehmet, S. ve Salur, M. U. (2018), Detection of Fake Twitter Accounts with Machine Learning Algorithms. 2018 International Conference on Artificial Intelligence and Data Processing (IDAP).
• Bengisu, E., Şahin, E. A., Toydemir, M. S. ve Dökeroğlu, T. (2021), Makine Öğrenmesi Algoritmaları ile Trol Hesapların Tespiti. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(1), s.430-442.
• Çakır, H. (2018), Kırgızistan-Türkiye Manas Üniversitesi Öğrencilerinin Sosyal Medya Kullanım Alışkanlıkları. MANAS Sosyal Araştırmalar Dergisi, 7(3), s.539-563.
• Eren, E. ve Vardarlıer, P. (2013), Social Media's Role in Developing an Employees Sense of Belonging in The Workplace as An Hrm Strategy. Procedia-Social and Behavioral Sciences, 99, s. 852-860.
• Hamdi, T., Slimi, H., Bounhas, I. ve Slimani, Y. (2020), A Hybrid Approach for Fake News Detection in Twitter Based on User Features and Graph Embedding. International conference on distributed computing and internet technology.
• Hearst, M. (2003), What is Text Mining. SIMS, UC Berkeley, 5.
• Helmstetter, S. ve Paulheim, H. (2018), Weakly Supervised Learning for Fake News Detection on Twitter. 2018 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM).
• Özbay, Feyza ALTUNBEY ve Alataş, B. (2020), Çevrimiçi Sosyal Medyada Sahte Haber Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 11(1), s.91-103.
• Safalı, Y. (2020), Sosyal Medya Kullanıcılarının Cumhur İttifakı Hakkındaki Görüşlerinin Veri Madenciliği Teknikleri ile Sınıflandırılması. Bilgisayar Bilimleri ve Teknolojileri Dergisi, 1(2), s.51-57.
• Segado-Boj, F., Díaz-Campo, J. ve Quevedo-Redondo, R. (2019). Influence of the'News finds me'Perception on News Sharing and News Consumption on social media. Communication Today, 10(2), s.90-104.
• Shu, K., Wang, S. ve Liu, H. (2019), Beyond News Contents: The Role of Social Context for Fake News Detection. Proceedings of the Twelfth Acm International Conference on Web Search and Data Mining. Stedman, C. (2020), Text Mining (Text Analytics).
• https://www.techtarget.com/searchbusinessanalytics/definition/text-mining, (Erişim Tarihi: 31.08.2022). Toğaçar, M., Eşidir, K. A. Ve Ergen, B. (2022). Yapay Zekâ Tabanlı Doğal Dil İşleme Yaklaşımını Kullanarak İnternet Ortamında Yayınlanmış Sahte Haberlerin Tespiti. Journal of Intelligent Systems: Theory and Applications, 5(1), s.1-8.
• Uslu, O. ve Özmen Akyol, S. (2021). Türkçe Haber Metinlerinin Makine Öğrenmesi Yöntemleri Kullanılarak Sınıflandırılması. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 2(1), s.15-20.
• Ünal, R. (2019), Anaakım Medyada Kullanıcı Türevli İçeriğin İzini Sürmek: Ntv ve Star Tv Whatsapp İhbar Hatları Üzerine Bir İnceleme. Mersin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 2(2), s.34-43.
• Zervopoulos, A., Alvanou, A. G., Bezas, K., Papamichail, A., Maragoudakis, M. ve Kermanidis, K. (2020). Hong Kong Protests: Using Natural Language Processing for Fake News Detection on Twitter. IFIP International Conference on Artificial Intelligence Applications and Innovations.
• Zhang, X. ve Ghorbani, A. A. (2020), An Overview of Online Fake News: Characterization, Detection, And Discussion. Information Processing & Management, 57(2), s.102025.
• Zhou, X. ve Zafarani, R. (2020), A Survey of Fake News: Fundamental Theories, Detection Methods, And Opportunities. ACM Computing Surveys (CSUR), 53(5), s.1-40.