در طول سال‌های اخیر، با توسعه سریع و افزایش محبوبیت رسانه‌های اجتماعی، شاهد رشد گسترده‌ای در حجم و تنوع اخبار جعلی بوده‌ایم. این پدیده اثرات عمیقی بر روی افراد و جامعه دارد. راستی‌آزمایی روشی است که به طور گسترده‌ای برای مقابله با اثرات منفی انتشار اخبار جعلی استفاده می‌شود. اما این روش هنگام تحلیل حجم عظیم اطلاعات کارآمد نیست. بنابراین از مدل های پیشرفته یادگیری ماشین و رویکردهای مبتنی بر ویژگی برای شناسایی خودکار اخبار جعلی استفاده می شود. در عین حال، تعداد زیاد مدل‌ها و ناهمگونی ویژگی‌های مورد استفاده در ادبیات، اغلب محدودیت‌هایی را برای محققانی که سعی در بهبود عملکرد مدل دارند، ایجاد می کند. به همین دلیل، در مطالعه حاضر با روش مرورسیستماتیک، چارچوب جامعی از ویژگی‌هایی که در تشخیص اخبار جعلی استفاده می‌شوند ارائه شده‌است. به منظور انجام این مرور سیستماتیک با استفاده از راهنمای ارائه شده توسط اوکولی و اسچابرام، کلیه مطالعات انجام گرفته در حوزه اخبار جعلی با استفاده ازکلیدواژه‏های مرتبط، از پایگاه داده‎های ScienceDirect، Springer، Emerald، IEEE، ACM، Wiley، Sage، JSTOR، Taylor و WOS استخراج شد و درنهایت تعداد 72 مقاله مرتبط مورد بررسی قرار گرفته است. در نتیجه تحلیل مقالات مرتبط، ویژگی ها در دو طبقه اصلی محتوای خبر و زمینه خبر قرار گرفتند. محتوای خبر شامل ویژگی های زبانی و معنایی، ویژگی های بصری و ویژگی های مبتنی بر سبک می باشند. زمینه خبر نیز شامل ویژگی های مبتنی بر کاربر، پست و شبکه است. نتایج به دست آمده نشان داد که پرکاربردترین ویژگی‌ها در تشخیص اخبار جعلی ویژگی های مبتنی بر پروفایل کاربر، ویژگی های سبک آماری، الگوی نوشتاری و خوانایی هستند. با توجه به تنوع بالای ویژگی‌های موجود پیشنهاد می شود ارزیابی گسترده‌ای از ویژگی ها، مدل ها و همچنین عملکرد آنها در مجموعه داده های متعدد انجام شود و از این طریق عملکرد مدل ها و مجموعه ویژگی های مختلف مقایسه گردد تا بهترین ترکیب ویژگی در شرایط مختلف مشخص گردد.

کلمات کلیدی