تشخیص اخبار جعلی: مروری بر الگوریتم های یادگیری ماشین و یادگیری عمیق در طبقه بندی متون

با گسترش روزافزون رسانه های اجتماعی و افزایش حجم اطلاعات منتشرشده در فضای مجازی، تشخیص صحت و اعتبار اخبار به یکی از چالش های اساسی در حوزه فناوری اطلاعات و ارتباطات تبدیل شده است. انتشار گسترده اخبار جعلی می تواند آثار مخربی بر افکار عمومی، تصمیم گیری های فردی و اجتماعی و اعتماد عمومی به منابع خبری داشته باشد. از این رو، توسعه روش های هوشمند برای شناسایی و طبقه بندی اخبار جعلی از اهمیت ویژه ای برخوردار است. پژوهش حاضر با بررسی مفاهیم بنیادین تشخیص اخبار جعلی، به معرفی رویکردهای متن کاوی، پردازش زبان طبیعی و الگوریتم های طبقه بندی متن پرداخته است. در این مطالعه، مراحل پیش پردازش متون شامل نرمال سازی، ریشه یابی و حذف کلمات توقف، به همراه روش های تعبیه کلمات و استخراج ویژگی ها مورد بررسی قرار گرفته اند. همچنین الگوریتم های یادگیری ماشین نظیر رگرسیون لجستیک، نایو بیز، ماشین بردار پشتیبان، جنگل تصادفی و KNN و نیز مدل های یادگیری عمیق شامل RNN، LSTM، GRU و CNN از منظر قابلیت ها، مزایا و محدودیت های آن ها در تشخیص اخبار جعلی تحلیل شده اند. نتایج بررسی ها نشان می دهد که بهره گیری از روش های یادگیری عمیق، به دلیل توانایی استخراج خودکار ویژگی های معنایی و درک وابستگی های متنی، می تواند دقت بالاتری نسبت به روش های سنتی در شناسایی اخبار جعلی فراهم آورد؛ هرچند این روش ها مستلزم استفاده از منابع محاسباتی بیشتر و داده های آموزشی مناسب هستند. ترکیب روش های پردازش زبان طبیعی و الگوریتم های هوشمند، راهکاری موثر برای توسعه سامانه های کارآمد تشخیص اخبار جعلی در محیط های دیجیتال به شمار می رود.

کلیدواژه ها:

اخبار جعلی ، متن کاوی ، پردازش زبان طبیعی ، یادگیری ماشین ، یادگیری عمیق ، طبقه بندی متن