AI-Driven Fake News Detection: A Machine Learning Approach to Combat Misinformation and Clickbait
Notice bibliographique
Résumé
The widespread circulation of false information and sensationalized headlines on digital platforms has become a major concern, disrupting the flow of accurate reporting and eroding public confidence in online content. While eye-catching but misleading headlines-designed to maximize engagement and drive web traffic-remain a widely used strategy for increasing ad revenue, their deceptive nature compromises the credibility of digital media. This research seeks to address this persistent issue by introducing an advanced AI-driven solution for detecting and filtering false news and sensationalized content from digital platforms. The proposed tool would evaluate various linguistic and structural aspects of web content-such as headline formats, writing patterns, and consistency of information-to determine its credibility. Utilizing machine learning algorithms, the system would identify and flag websites exhibiting traits commonly linked to misleading or fabricated stories. Once flagged, these sites would be restricted from appearing in search engine results or social media feeds, minimizing users' exposure to deceptive material. By offering a user-friendly, downloadable tool that integrates seamlessly with web browsers and news applications, this solution enables individuals to make more informed choices about the content they engage with. Furthermore, it supports technology companies in enhancing the credibility of their platforms, mitigating the influence of fake news and manipulative headlines within the digital landscape. Through this initiative, the research aims to rebuild trust in online spaces, equipping users with the tools necessary to navigate the complexities of digital information and fostering a more discerning and well-informed online community.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».