Over the past few years, we have observed different media outlets' attempts to shift public opinion by framing information to support a narrative that facilitate their goals. Malicious users referred to as "pathogenic social media" (PSM) accounts are more likely to amplify this phenomena by spreading misinformation to viral proportions. Understanding the spread of misinformation from account-level perspective is thus a pressing problem. In this work, we aim to present a feature-driven approach to detect PSM accounts in social media. Inspired by the literature, we set out to assess PSMs from three broad perspectives: (1) user-related information (e.g., user activity, profile characteristics), (2) source-related information (i.e., information linked via URLs shared by users) and (3) content-related information (e.g., tweets characteristics). For the user-related information, we investigate malicious signals using causality analysis (i.e., if user is frequently a cause of viral cascades) and profile characteristics (e.g., number of followers, etc.). For the source-related information, we explore various malicious properties linked to URLs (e.g., URL address, content of the associated website, etc.). Finally, for the content-related information, we examine attributes (e.g., number of hashtags, suspicious hashtags, etc.) from tweets posted by users. Experiments on real-world Twitter data from different countries demonstrate the effectiveness of the proposed approach in identifying PSM users.

中文翻译：

---

一种识别致病社交媒体账户的特征驱动方法

在过去几年中，我们观察到不同媒体试图通过构建信息来支持有助于实现目标的叙述来改变公众舆论。被称为“病原社交媒体”(PSM) 帐户的恶意用户更有可能通过将错误信息传播到病毒式传播来放大这种现象。因此，从帐户级别的角度了解错误信息的传播是一个紧迫的问题。在这项工作中，我们旨在提出一种特征驱动的方法来检测社交媒体中的 PSM 帐户。受文献启发，我们着手从三个广泛的角度评估 PSM：(1) 与用户相关的信息（例如，用户活动、个人资料特征），（2）与源相关的信息（即，通过用户共享的 URL 链接的信息） ) 和 (3) 与内容相关的信息（例如，推文特征）。对于与用户相关的信息，我们使用因果关系分析（即，如果用户经常是病毒级联的原因）和个人资料特征（例如，关注者的数量等）调查恶意信号。对于源相关信息，我们探索链接到 URL 的各种恶意属性（例如，URL 地址、关联网站的内容等）。最后，对于与内容相关的信息，我们从用户发布的推文中检查属性（例如，主题标签的数量、可疑的主题标签等）。对来自不同国家的真实 Twitter 数据进行的实验证明了所提出的方法在识别 PSM 用户方面的有效性。如果用户经常是病毒级联的原因）和个人资料特征（例如，关注者的数量等）。对于源相关信息，我们探索链接到 URL 的各种恶意属性（例如，URL 地址、关联网站的内容等）。最后，对于与内容相关的信息，我们从用户发布的推文中检查属性（例如，主题标签的数量、可疑的主题标签等）。对来自不同国家的真实 Twitter 数据的实验证明了所提出的方法在识别 PSM 用户方面的有效性。如果用户经常是病毒级联的原因）和个人资料特征（例如，关注者的数量等）。对于源相关信息，我们探索链接到 URL 的各种恶意属性（例如，URL 地址、关联网站的内容等）。最后，对于与内容相关的信息，我们从用户发布的推文中检查属性（例如，主题标签的数量、可疑的主题标签等）。对来自不同国家的真实 Twitter 数据进行的实验证明了所提出的方法在识别 PSM 用户方面的有效性。用户发布的推文中的可疑主题标签等）。对来自不同国家的真实 Twitter 数据进行的实验证明了所提出的方法在识别 PSM 用户方面的有效性。用户发布的推文中的可疑主题标签等）。对来自不同国家的真实 Twitter 数据进行的实验证明了所提出的方法在识别 PSM 用户方面的有效性。