A Framework for Detecting Coordinated Posts of Bots In Online Social Networks
Autores
|
6993 |
3108,753,250
|
|
|
6994 |
3108,753,250
|
|
|
6995 |
3108,753,250
|
Informações:
Publicações do PESC
A crescente popularidade das redes sociais online mudou a maneira pela qual as pessoas geram, consomem e interagem com a informação. Entretanto, essa transição levanta diversos questionamentos sobre a credibilidade do conteúdo compartilhado nessas redes, uma vez que elas podem ser utilizadas por diferentes segmentos da sociedade para disseminar desinformação e manipular a opinião pública. Uma parte crucial das estratégias utilizadas por essas organizações são os usuários automatizados (bots), que são mobilizados para coordenar suas ações, com o intuito de promover conteúdo de maneira direcionada e popularizar artificialmente assuntos ou personalidades. Os métodos tradicionais para identificação de bots falham em identificar esse comportamento sincronizado e coordenação contextual, uma vez que eles analisam as contas de usuários individualmente. Para suprir essa deficiência, este trabalho propõe uma metodologia para identificação de grupos de bots que coordenam suas postagens nas redes sociais online, utilizando as similaridades de conteúdo entre as contas para criar redes de usuários que revelam esses grupos e seus tópicos. Utilizando duas bases de dados reais do Twitter, as diferenças estruturais e linguísticas entre os grupos compostos por usuários autênticos e automatizados são investigadas. Além disso, um método para classificar automaticamente os grupos como bots ou humanos é desenvolvido. A metodologia proposta é aplicada em três bases de dados de acontecimentos recentes no Brasil para identificar os grupos de bots e o foco de suas ações.
The growing popularity of online social networks have changed the way people generate, consume and interact with information. However, this transition brings several concerns on the credibility of the content shared in such networks, as they can be used by different segments of society to spread misinformation and manipulate public opinion. A crucial part of the strategies used by such organizations are the automated accounts (bots), that are mobilized to coordinate their actions in order to promote targeted content and artificially increase the popularity of a topic or a person. Traditional approaches for bot detection fail to identify this synchronized behavior and contextual coordination, as they analyze the user accounts individually. To bridge this gap, this work proposes a framework for detecting communities of bots that coordinate their posts in online social networks, leveraging content similarities between users to build user networks that reveal such communities and their topics. Using two real datasets of Twitter accounts, we investigate the structural and linguistic differences between communities composed of automated and authentic user accounts. Moreover, we design a procedure to automatically classify the communities as bots or humans based on their linguistic and structural characteristics. The framework is also applied to three datasets comprising recent events in Brazil to uncover communities of bots and the focus of their actions.