Integrating Semantic Understanding and Textual Features for Fake News Detection Using Deep Learning
Notice bibliographique
Résumé
The intensive technological change has triggered the introduction of significant changes in the channels of conveying and receiving information. Social media networks have become the leading ways of relaying information, that have the potential of reaching a large number of people within a short period of time. However, in the same breath, the same phenomenon has intensely boosted the spread of disinformation or what is popularly known as fake news, which has a reassuring impact on the sociocultural dynamics. The dissemination of fake news undermines the perceived integrity of sources of information, creating biased views and creating illusions about the relevant issues. Scholars and practitioners, in their turn, have increasingly applied the methodologies of artificial intelligence (AI) and machine learning (ML), to come up with more effective solutions to detecting fake news. ML, a subdivision of AI that is focused on algorithm conception that derives predictive functionality of data, proved to be significantly successful in addressing a variety of challenges, such as detecting non-true content. This paper presents an efficient approach to prediction of misinformation through a fused deep-learning system based on semantic-analysis. The theory behind the suggested methodology will combine the concepts of Artificial Neural Networks (ANNs) and Recurrent Neural Networks (RNNs) and will be aimed at analyzing the patterns of text and language arrangements, respectively. In addition, semantic analysis has also been integrated in order to increase the predictability by considering the semantic background and the contextual background of the textual substance being analyzed. The derived plan provides real-time tool of identifying false content, thus eliminating its negative impact on society.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».