社会的メディアにおけるルーモア検出は、複雑な伝播ダイナミクスと既存モデルの限られた解釈可能性から依然として困難な課題です。この問題に対処するため、CausalMambaという新たなフレームワークが提案されました。このフレームワークは、Mambaベースのシーケンスモデリング、グラフ畳み込みネットワーク (GCN)、およびNOTEARSによる微分可能な因果発見を統合しています。CausalMambaは、時系列ツイートと返信構造の共同表現を学習し、伝播チェーン内の影響力のあるノードを特定するための潜在的因果グラフを明らかにします。実験結果では、Twitter15データセットにおいて、既存の強力なベースラインと比較して競争力のある分類性能を示し、反事実的介入分析を可能にしています。top-ranked因果ノードの除去がグラフの接続性を大きく変えることを示す定性的な結果も得られ、ルーモアダイナミクスに対する解釈可能な洞察を提供しています。このフレームワークは、ルーモア分類と影響分析のための統一的アプローチを提供し、より説明可能で実行可能な偽情報検出システムの道を開いています。