بررسی نقش یادگیری ماشین در تشخیص اخبار جعلی در شبکه های اجتماعی

بررسی با گسترش روزافزون شبکه های اجتماعی و افزایش حجم اطلاعات منتشر شده در این بسترها، اخبار جعلی به یکی از چالش های اصلی عصر دیجیتال تبدیل شده اند که می توانند بر افکار عمومی، تصمیم گیری های فردی و جمعی، و حتی روندهای سیاسی و اقتصادی تاثیرات منفی بگذارند. این پژوهش با هدف نقش یادگیری ماشین در تشخیص خودکار اخبار جعلی در شبکه های اجتماعی انجام شده است. در این مطالعه، از مجموعه داده های معتبر FakeNewsNet، LIAR و PolitiFact استفاده شد که شامل اخبار واقعی و جعلی برچسب گذاری شده هستند. داده ها پس از پیش پردازش شامل توکن سازی، ریشه یابی و حذف کلمات توقف با استفاده از تکنیک های پردازش زبان طبیعی نظیر TF-IDF و بردارهای واژه ای (WordVec و BERT) تحلیل شدند. مدل های یادگیری ماشین شامل ماشین بردار پشتیبان، جنگل تصادفی، گرادیان بوستینگ و شبکه های عصبی عمیق مانند LSTM و BERT برای طبقه بندی اخبار به کار گرفته شدند. ارزیابی عملکرد مدل ها با معیارهایی نظیر دقت، بازخوانی، امتیاز F۱ و اعتبارسنجی متقابل انجام شد و نتایجی با دقت بالا تا ۹۹.۴۹ به دست آمد، همچنین یک سامانه تحت وب با رابط چت بات طراحی شد که امکان تحلیل بلادرنگ اخبار را برای کاربران فراهم می کند. چالش هایی نظیر سوگیری داده ها و تنوع زبانی شناسایی شده و پیشنهادهایی برای بهبود عملکرد مدل ها از جمله استفاده از داده های چندزبانه و مدل های هیبریدی ارائه گردید. این پژوهش بر اهمیت یادگیری ماشین در مقابله با اطلاعات نادرست تاکید دارد و راهکاری عملی برای افزایش سواد رسانه ای ارائه می دهد.

کلیدواژه ها:

اخبار جعلی ، یادگیری ماشین ، پردازش زبان طبیعی ، شبکه های اجتماعی ، تشخیص خودکار