Méthodes visant à atténuer la propagation de désinformation dans les plateformes sociales en ligne

Mitigation strategies against Fake News diffusion in Online Social Platforms

• Auteur / Autrice : Nouamane Arhachoui
• Direction : Lionel Tabourier, Vincent Gauthier
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : LIP6

Mots clés

Mots clés libres

Réseaux sociaux

Algorithmes

Graphes

Propagation de désinformation

Social networks

Graph algorithms

Fake news diffusion

Résumé

De nos jours, nos sociétés souffrent de la propagation de fake news et de la manipulation à grande échelle de l'opinion publique par le biais des réseaux sociaux. Étant donné que la population est désormais le plus souvent informée par le biais des plateformes de médias sociaux, les fake news (FN) représentent un risque sérieux pour la formulation des opinions, car les FN sont généralement mélangées à des informations véridiques, ce qui les rend difficiles à évaluer par une victime. Ce comportement malveillant, surtout répandu sur les plateformes de médias sociaux comme Twitter et Facebook, met notre démocratie en danger en favorisant les conflits dans l'espace public. Au-delà de ces faits, les affirmations des fake news (FN) sont également conçues pour tromper un public dans un but de propagande spécifique. L'étude de la propagation des FN et de leur détection rapide est un sujet de la plus haute importance car ces campagnes de désinformation ne biaisent pas seulement le discours public, mais elles mettent également la démocratie en danger. Dans cette thèse, nous visons à étudier les principes qui régissent la diffusion des Fake News au sein des plateformes sociales. Nous avons les deux objectifs principaux suivants : (I) caractériser les modèles de diffusion et classifier/prédire les FN à partir des chemins de diffusion, et (II) proposer de nouvelles stratégies d'atténuation en utilisant des algorithmes d'apprentissage qui peuvent rapidement repérer les FN et la propagande à partir de traces d'interaction massives.

Nowadays, our societies suffer from fake news propagation and large-scale manipulation of public opinion through social media. Since people are now most often informed through social media platforms, Fake News (FN) are posing a serious risk on how opinions are formed, because FN are usually merged with truthful information which makes them hard to assess by a victim. This malicious behavior, mostly prevalent on social media platforms like Twitter and Facebook, puts our democracy at risk by fostering discontent in the public space. Beyond these facts, fake news (FN) claims are not only factually wrong but are also designed to mislead an audience toward specific propaganda goals. Studying the spread of FN and their quick detection is a subject of utmost importance because these disinformation campaigns not only bias the public discourse, but they also put democracy at risk. In this thesis, we aim to study the principles that govern the diffusion of Fake News inside social platforms. We have the following two main objectives: (I) to characterize diffusion patterns and classify/predict FN from diffusion paths, and (II) to propose novel mitigation strategies employing learning algorithms that can quickly spot FN and propaganda from massive interaction traces.