Exploring the Power of Dual Deep Learning for Fake News Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rise of social media has intensified the spread of fake news, a problem further exacerbated by generative artificial intelligence (AI). Hence, the need for improved detection of both human-created and AI-generated fake news using advanced AI models is critical. This paper proposes a survey to assess knowledge and attitudes towards news and AI, combining demographic data, personality traits, and the ability to distinguish between real and AI-generated news. Additionally, we create a new dataset, ERAF-News, containing real, fake, AI-generated true, and AI-generated fake news. To classify different types of news, we developed a dual-stream transformer model, DuSTraMo. This model leverages the capabilities of two parallel transformers to enhance the accuracy of news classification. The survey, involving 83 participants from 9 countries, revealed that respondents struggle to differentiate human-generated from AI-generated news. Notably, BERT outperformed GPT-2 and BART in generating realistic text, and RoBERTa and DistilBERT achieved over 98% accuracy in fake news classification. Dual-GPT models also showed high accuracy.This study underscores the effectiveness of the DuSTraMo model and the ERAF-News dataset in enhancing the detection of both human-created and AI-generated fake news. The findings highlight the increasing dominance of AI in this domain and the pressing need for advanced methods to combat fake news. Additionally, a survey examining users’ responses to fake news reveals a concerning inability to accuratelyidentify false information.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle