情報の混乱に対抗する戦略を探るための、深層強化学習とエージェントベース・シミュレーションの統合

概要: 近年、フェイクニュースの拡散が、ソーシャルメディア上における情報障害（ID）への関心を高めてきました。この現象は、複雑性理論や計算機科学から認知科学に至るまで、幅広い分野にまたがって研究の焦点となっています。全体として、この種の研究は主に二つのアプローチに遡ることができます。一方には、データマイニングを活用してニュースの内容および関連するメタデータを分析することに焦点を当てた研究があり、それはデータ主導型のアプローチです。もう一方には、対象としている現象とその進展を、明示的なシミュレーションモデルを用いて理解しようとする研究があり、それはモデル駆動型のアプローチです。本論文では、これらのアプローチを統合し、IDに対抗するための戦略を探究します。この方向性に沿って、次のものを構築しました：i. フェイクニュースにおける複雑なダイナミクスと、その中で実行される封じ込め戦略がもたらす効果の双方を、科学的に妥当な方法でシミュレーションするためのエージェントベースモデル；ii. 誤情報の拡散をより効果的に抑制できる戦略を学習するための深層強化学習。私たちの研究の成果は、異なるレベルにおいて展開されます。実質的な観点からは、予備実験の結果が、特定の政策が誤情報の拡散を抑え得る条件について、興味深い手がかりを示し始めています。技術的および方法論的な観点からは、ソーシャルシミュレーションと人工知能の統合、ならびに社会科学のシミュレーション環境の強化といった、有望で価値のある研究課題に対して、その表面をなぞったにすぎません。