Measuring the Structural Impact of Misinformation on Network Polarization: An E-I Index and Random Walk Controversy Analysis

Öz

This study investigates the structural relationship between misinformation and network polarization in the context of online health discourse on social media. Using a comparative network analysis approach, four distinct discourse communities represented by hashtags: #pandemic (official terminology), #infodemic, #plandemic, and #scamdemic (misinformation narratives) is examined. These hashtags were selected because they represent distinct information frames ranging from official public-health terminology to misinformation. Both structural network metrics (average degree, path length, clustering coefficient, density, modularity) and polarization-specific measures (E-I Index, Random Walk Controversy/RWC) is employed to quantify differences in network topology and segregation patterns. Findings reveal a systematic gradient in structural polarization aligned with the type of narrative. The network using officially recognized terminology (#pandemic) exhibits low polarization (E-I = -0.483, RWC = 0.042), indicating minimal barriers to cross-group information flow and a relatively integrated structure. In contrast, misinformation-associated networks show significantly higher polarization, characterized by strongly negative E-I Index values (ranging from -0.692 to -0.821), high RWC scores (ranging from 0.723 to 0.846). In particularly, #scamdemic demonstrates extreme segregation (E-I = -0.821, RWC = 0.846), characteristic of echo chambers with limited cross-community exposure. These networks also display longer path lengths, higher modularity, and lower clustering coefficients, indicating fragmented, sparse connectivity patterns. The analysis establishes that misinformation ecosystems are structurally embedded within more polarized and segregated network architectures. These polarized structures function as echo chambers that reinforce in-group consensus while limiting exposure to corrective information. The relationship between misinformation narratives and structural polarization metrics suggests that network topology itself can serve as an early indicator of problematic information environments. These findings highlight the need for early detection tools integrating network-based polarization indicators into misinformation monitoring systems.

Anahtar Kelimeler

• polarization
• misinformation
• social network analysis
• echo chambers
• E-I index
• Random Walk Controversy

Yanlış Bilginin Ağ Kutuplaşması Üzerindeki Yapısal Etkisinin Ölçülmesi: E-I İndeksi ve Rastgele Yürüyüş Tartışma Skoru Analizi

Öz

Bu çalışma, sosyal medyadaki çevrimiçi sağlık söylemleri bağlamında yanlış bilgi (misinformation) ile ağ kutuplaşması arasındaki yapısal ilişkiyi incelemektedir. Karşılaştırmalı bir ağ analizi yaklaşımı kullanılarak, dört farklı söylem topluluğu—#pandemic (resmî terminoloji), #infodemic, #plandemic ve #scamdemic (yanlış bilgi anlatıları)—incelenmiştir. Bu hashtag’ler, resmi halk sağlığı terminolojisinden yanlış bilgi içerikli anlatılara uzanan farklı bilgi çerçevelerini temsil ettikleri için seçilmiştir. Hem yapısal ağ metrikleri (ortalama derece, yol uzunluğu, kümeleşme katsayısı, yoğunluk, modülerlik) hem de kutuplaşmaya özgü ölçümler (E-I İndeksi, Rastgele yürüyüş tartışma skoru/RWC) kullanılarak ağ topolojisindeki ve ayrışma örüntülerindeki farklılıklar nicel olarak değerlendirilmiştir. Bulgular, anlatı türüyle uyumlu bir şekilde yapısal kutuplaşmada sistematik bir artış olduğunu göstermektedir. Resmi terminolojiyi kullanan #pandemic ağı düşük düzeyde kutuplaşma sergilemektedir (E-I = -0.483, RWC = 0.042). Bu durum, gruplar arası bilgi akışının önündeki engellerin minimal olduğunu ve ağın görece bütünleşmiş bir yapıya sahip olduğunu göstermektedir. Buna karşılık, yanlış bilgiyle ilişkili ağlar belirgin şekilde daha yüksek kutuplaşma sergilemektedir; E-I İndeksi değerleri güçlü biçimde negatiftir (-0.692 ile -0.821 arası) ve RWC skorları yüksektir (0.723 ile 0.846 arası). Özellikle #scamdemic ağı, aşırı düzeyde ayrışma göstermektedir (E-I = -0.821, RWC = 0.846) ve bu durum, topluluklar arası etkileşimin son derece sınırlı olduğu yankı odası (echo chamber) özelliklerini yansıtmaktadır. Bu ağlarda ayrıca daha uzun yol uzunlukları, daha yüksek modülerlik ve daha düşük kümeleşme katsayıları gözlemlenmiştir; bu da daha parçalı ve seyrek bağlantılı topolojilere işaret etmektedir. Analiz, yanlış bilgi ekosistemlerinin daha kutuplaşmış ve ayrışmış ağ mimarileri içinde yapısal olarak yerleşik olduğunu ortaya koymaktadır. Bu kutuplaşmış yapılar, grup içi fikir birliğini pekiştirirken düzeltici bilgiye maruz kalmayı sınırlar. Yanlış bilgi anlatıları ile yapısal kutuplaşma ölçütleri arasındaki ilişki, ağ topolojisinin sorunlu bilgi ortamları için erken bir gösterge olarak kullanılabileceğini göstermektedir. Bu bulgular, yanlış bilgilendirmeyi izleme sistemlerine ağ tabanlı kutuplaşma göstergelerini entegre eden erken tespit araçlarının geliştirilmesine duyulan ihtiyacı vurgulamaktadır.

Anahtar Kelimeler

• kutuplaşma
• yanlış bilgi
• sosyal ağ analizi
• yankı odaları
• E-I İndeksi
• Rasgele yürüyüş tartışma skoru

Kaynakça

1. [1] Oxford Learner’s Dictionary. (n.d.). Polarization. Oxford University Press. https://www.oxfordlearnersdictionaries.com/definition/english/polarization
2. [2] Flaxman, S., Goel, S., & Rao, J. M. (2016). Filter bubbles, echo chambers, and online news consumption. Public Opinion Quarterly, 80(S1), 298–320. https://doi.org/10.1093/poq/nfw006
3. [3] McPherson, M., Smith-Lovin, L., & Cook, J. M. (2001). Birds of a feather: Homophily in social networks. Annual Review of Sociology, 27, 415–444. https://doi.org/10.1146/annurev.soc.27.1.415
4. [4] Del Vicario, M., Vivaldo, G., Bessi, A., Zollo, F., Scala, A., Caldarelli, G., & Quattrociocchi, W. (2016). Echo chambers: Emotional contagion and group polarization on Facebook. Scientific Reports, 6, 37825. https://doi.org/10.1038/srep37825
5. [5] Bessi, A., Coletto, M., Davidescu, G. A., Scala, A., Caldarelli, G., & Quattrociocchi, W. (2015). Science vs conspiracy: Collective narratives in the age of misinformation. PLOS ONE, *10*(2), e0118093. https://doi.org/10.1371/journal.pone.0118093
6. [6] Cota, W., Ferreira, S. C., Pastor-Satorras, R., & Starnini, M. (2019). Quantifying echo chamber effects in information spreading over political communication networks. EPJ Data Science, 8, 35. https://doi.org/10.1140/epjds/s13688-019-0213-9
7. [7] Pariser, E. (2011). The filter bubble: What the Internet is hiding from you. Penguin Press.
8. [8] Sunstein, C. R. (2017). #Republic: Divided democracy in the age of social media. Princeton University Press.

9. [9] Zarocostas, J. (2020). How to fight an infodemic. The Lancet, 395(10225), 676. https://doi.org/10.1016/S0140-6736(20)30461-X
10. [10] World Health Organization. (2020). Managing the COVID-19 infodemic: Promoting healthy behaviours and mitigating the harm from misinformation and disinformation. https://www.who.int/news/item/23-09-2020-managing-the-covid-19-infodemic-promoting-healthy-behaviours-and-mitigating-the-harm-from-misinformation-and-disinformation
11. [11] Cinelli, M., Quattrociocchi, W., Galeazzi, A., Valensise, C. M., Brugnoli, E., Schmidt, A. L., Zola, P., Zollo, F., & Scala, A. (2020). The COVID-19 social media infodemic. Scientific Reports, 10, 16598. https://doi.org/10.1038/s41598-020-73510-5
12. [12] Ahmed, N., Shahbaz, T., Shamim, A., Khan, K. S., Hussain, S. M., & Usman, A. (2020). The COVID-19 infodemic: A quantitative analysis through Facebook. Cureus, 12(11), e11346. https://doi.org/10.7759/cureus.11346
13. [13] Mohammadi, E., Tahamtan, I., Mansourian, Y., & Overton, H. (2022). Identifying frames of the COVID-19 infodemic: Thematic analysis of misinformation stories across media. JMIR Infodemiology, 2(1), e33827. https://doi.org/10.2196/33827
14. [14] World Health Organization. (2019). Ten threats to global health in 2019. https://www.who.int/news-room/spotlight/ten-threats-to-global-health-in-2019
15. [15] Wilson, S. L., & Wiysonge, C. (2020). Social media and vaccine hesitancy. BMJ Global Health, 5(10), e004206. https://doi.org/10.1136/bmjgh-2020-004206
16. [16] Puri, N., Coomes, E. A., Haghbayan, H., & Gunaratne, K. (2020). Social media and vaccine hesitancy: New updates for the era of COVID-19 and globalized infectious diseases. Human Vaccines & Immunotherapeutics, 16(11), 2586–2593. https://doi.org/10.1080/21645515.2020.1780846
17. [17] Li, H. O.-Y., Bailey, A., Huynh, D., & Chan, J. (2020). YouTube as a source of information on COVID-19: A pandemic of misinformation? BMJ Global Health, 5(10), e002571. https://doi.org/10.1136/bmjgh-2020-002571
18. [18] Alvarez-Galvez, J., Lagares-Franco, C., Ortega-Martin, E., De Sola, H., Rojas-García, A., Sanz-Marcos, P., Almenara-Barrios, J., Kassianos, A. P., Montagni, I., Camacho-García, M., Serrano-Macías, M., & Carretero-Bravo, J. (2025). Measurement, characterization, and mapping of COVID-19 misinformation in Spain: Cross-sectional study. JMIR Infodemiology, 5, e69945. https://doi.org/10.2196/69945
19. [19] Wojtczak, D. N., Peersman, C., Zuccolo, L., & McConville, R. (2023). Characterizing discourse and engagement across topics of misinformation on Twitter. IEEE Access, 11, 115002–115010. https://doi.org/10.1109/ACCESS.2023.3324555
20. [20] Kraft, P. W., Davis, N. R., Davis, T., Heideman, A., Neumeyer, J. T., & Park, S. Y. (2021). Reliable sources? Correcting misinformation in polarized media environments. American Politics Research, 50(1), 17–29. https://doi.org/10.1177/1532673X211041570
21. [21] Nair, S., & Iamnitchi, A. (2024). Cross-community affinity: A polarization measure for multi-community networks. Online Social Networks and Media, 43–44, 100280. https://doi.org/10.1016/j.osnem.2024.100280
22. [22] Garimella, K., De Francisci Morales, G., Gionis, A., & Mathioudakis, M. (2018). Quantifying controversy on social media. ACM Transactions on Social Computing, 1(3), 1–27. https://doi.org/10.1145/3186726
23. [23] Lee, E. W. J., Bao, H., Wang, Y., & Lim, Y. T. (2023). From pandemic to Plandemic: Examining the amplification and attenuation of COVID-19 misinformation on social media. Social Science & Medicine, 328, 115979. https://doi.org/10.1016/j.socscimed.2023.115979
24. [24] Al-Qahtani, A. F., & Cresci, S. (2022). The COVID-19 scamdemic: A survey of phishing attacks and their countermeasures during COVID-19. IET Information Security, 16(5), 324–345. https://doi.org/10.1049/ise2.12073
25. [25] Newman, M. E. J. (2010). Networks: An introduction. Oxford University Press.
26. [26] Bing, D. (2014). Reliability analysis for aviation airline network based on complex network. Journal of Aerospace Technology and Management, 6(2), 193–201.
27. [27] Ponton, J., Wei, P., & Sun, D. (2013). Weighted clustering coefficient maximization for air transportation networks. In European Control Conference (ECC) (pp. 17–19). Zürich, Switzerland.
28. [28] Newman, M. E. J., & Girvan, M. (2004). Finding and evaluating community structure in networks. Physical Review E, 69(2), 026113. https://doi.org/10.1103/PhysRevE.69.026113
29. [29] Guimerà, R., Sales-Pardo, M., & Amaral, L. A. N. (2004). Modularity from fluctuations in random graphs and complex networks. Physical Review E, 70(2), 025101. https://doi.org/10.1103/PhysRevE.70.025101
30. [30] Interian, R., Marzo, R. G., Mendoza, I., & Ribeiro, C. C. (2023). Network polarization, filter bubbles, and echo chambers: An annotated review of measures and reduction methods. International Transactions in Operational Research, 30(6), 3122–3158. https://doi.org/10.1111/itor.13224
31. [31] Krackhardt, D., & Stern, R. N. (1988). Informal networks and organizational crises: An experimental simulation. Social Psychology Quarterly, 51(2), 123–140.
32. [32] Phillips, S. C., Uyheng, J., & Carley, K. M. (2023). A high-dimensional approach to measuring online polarization. Journal of Computational Social Science, 6, 1147–1178. https://doi.org/10.1007/s42001-023-00246-5
33. [33] Meunier, D., Lambiotte, R., & Bullmore, E. T. (2010). Modular and hierarchically modular organization of brain networks. Frontiers in Neuroscience, 4, 200. https://doi.org/10.3389/fnins.2010.00200
34. [34] Kayabaşı Koru, G., & Uluyol, Ç. (2023). Examining the models used for fake news detection in the scope of social context. Gazi University Journal of Science, Part C: Design and Technology, 11(1), 39–54. https://doi.org/10.29109/gujsc.1145516
35. [35] Demirci, M. S., & Sağıroğlu, Ş. (2017). Sosyal ağ verilerinin kullanım alanları üzerine kapsamlı bir inceleme [A comprehensive review on the usage fields of social network data]. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 5(2), 1–21.
36. [36] Ayan, B., Kuyumcu, B., & Ceylan, B. (2019). Twitter üzerindeki İslamofobik tweetlerin duygu analizi ile tespiti. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 7(2), 495–502. https://doi.org/10.29109/gujsc.561806