چارچوب مفهومی جریان‌سازی خبری در ایکس برای تشخیص اطلاعات نادرست با هوش مصنوعی

گسترش سریع اطلاعات نادرست در پلتفرم‌های اجتماعی مانند ایکس(x)، تهدیدی جدی برای ساختارهای دموکراتیک و سلامت عمومی به شمار می‌رود. این چالش با تغییرات مالکیت پلتفرم ایکس در سال 2022 و گرایش الگوریتم‌های آن به تعامل‌محوری، تشدید شده است. مطالعات پیشین اغلب بر تحلیل محتوای متنی یا ساختار شبکه‌ای تمرکز داشته‌اند و از پویایی‌های پیچیده جریان‌سازی خبر مانند تاثیر الگوریتم‌ها و رفتار کاربران را نادیده گرفته‌اند. این مقاله به طور سیستماتیک به مرور و دسته‌بندی تحقیقات موجود در حوزه تشخیص اطلاعات نادرست می‌پردازد و یک چارچوب مفهومی سه‌مرحله‌ای نوین برای تشخیص اطلاعات نادرست در جریان‌سازی خبری پلتفرم ایکس پیشنهاد می‌دهد. این چارچوب با تلفیق نظریه‌های کلیدی علوم ارتباطات، از جمله نظریه انتشار نوآوری، استفاده و خرسندی و نظریه جریان دومرحله‌ای، با تکنیک‌های پیشرفته هوش مصنوعی در هم آمیخته شده است. رویکرد ترکیبی پیشنهادی، اطلاعات نادرست را از سه منظر محتوایی (با پردازش زبان طبیعی و تحلیل احساسات)، جریان‌سازی (با شبکه‌های عصبی گراف برای مدل‌سازی الگوهای انتشار) و رفتاری (با هوش مصنوعی توضیح‌پذیر برای شفافیت) تحلیل می‌کند. برای تصویرسازی چارچوب، از یک مطالعه موردی فرضی درباره شایعات جنگ هسته‌ای ایران در خرداد 1404 استفاده می‌شود. بدون پیاده‌سازی تجربی یا تحلیل داده‌های واقعی، این مدل مفهومی پایه‌ای نظری برای توسعه اکوسیستم‌های دیجیتال شفاف و قابل اعتماد در پژوهش‌های آتی فراهم می‌آورد.

a conceptual framework for ai-powered misinformation detection in news streams on x

the rapid spread of misinformation on social platforms such as x poses a serious threat to democratic structures and public health. this challenge has been intensified by the change in x’s ownership in 2022 and the shift of its algorithms toward engagement-oriented approaches. previous studies have often focused on analyzing textual content or network structures, while overlooking the complex dynamics of news dissemination such as the influence of algorithms and user behavior. this article systematically reviews and categorizes existing research in the field of misinformation detection and proposes a novel three-stage conceptual framework for detecting misinformation in the news dissemination process on the x platform. this framework integrates key communication theories, including the diffusion of innovations, uses and gratifications, and the two-step flow theory, with advanced artificial intelligence techniques. the proposed hybrid approach analyzes misinformation from three perspectives: content (through natural language processing and sentiment analysis), dissemination (using graph neural networks to model diffusion patterns), and behavior (with explainable ai for transparency). to illustrate the framework, a hypothetical case study about nuclear war rumors in iran in june 2025 is employed. without empirical implementation or analysis of real data, this conceptual model provides a theoretical foundation for developing transparent and reliable digital ecosystems in future research.