تحلیل آماری اخبار جعلی فارسی مربوط به کوید-19

در این پژوهش تلاش می شود با استفاده از تحلیل آماری، ویژگی های اخبار جعلی فارسی مربوط به کوید-19 بررسی گردد. برای این هدف، ابتدا یک پیکره زبانی که حاوی اخبار موثق و جعلی در حوزه کرونا است تهیه می شود. سپس الگوهای زبانی این دو دسته داده و همچنین دو تحلیل آماری مقدار اطلاعات و خوانایی اخبار موثق و جعلی مورد بررسی قرار گرفته و با یکدیگر مقایسه می شود. براساس اطلاعات استخراج شده و نتایج عملی به دست آمده از پیکره خبرهای جعلی، الگوهای زبانی مشترک بین این دو دسته داده وجود دارد. همچنین، مقدار اطلاعات در اخبار موثق براساس دو معیار آنتروپی و شگفتی بیشتر از اخبار جعلی است. سطح خوانایی خبرهای جعلی با استفاده از تساوی های اندازه گیری خوانایی متن مورد ارزیابی قرار گرفته‎است و این نتیجه به دست آمده است که اخبار جعلی در مقایسه با اخبار موثق عمدتا ساده بوده و دشوار نیست. در فرایند برچسب گذاری خودکار خبرهای موثق و جعلی براساس سطح دشواری حجم زیادی از اخبار جعلی ساده تشخیص داده شده است و تعداد کمی از اخبار موثق با سطح زبانی دشوار بود. علاوه بر این دستاورد و بررسی آماری ویژگی های زبانی براساس میزان اطلاعات و خوانایی اخبار جعلی، جنبه کاربردی این اطلاعات آماری جهت تشخیص خبر جعلی با استفاده از روش های یادگیری ماشینی مورد مطالعه قرار گرفت.