Wykrywanie fa¿szywych wiadomo¿ci: NLP i uczenie maszynowe w akcji

Nie jest tajemnic-, -e platformy mediów spo-eczno-ciowych rozprzestrzeniaj- si- w bezprecedensowym tempie, a wraz z coraz powszechniejszym dost-pem do Internetu, rozpowszechnianie fäszywych wiadomo-ci stäo si- szybkim i -atwym procesem. Konsekwencje tego zjawiska s- g--bokie, szczególnie w sferze polityki i edukacji, gdzie wp-yw fäszywych wiadomo-ci mo-e by- znacz-co destrukcyjny.W tym badaniu wykorzystamy przetwarzanie j-zyka naturalnego (NLP) do przeksztäcania tekstowych nag-ówków wiadomo-ci w wektory liczbowe. Zbadali-my i porównali-my dwie metody NLP, Bag of Words (BoW) i Term Frequency-Inverse Document Frequency (TF-IDF), aby zobaczy-, jak dobrze dziäaj- przy u-yciu ró-nych algorytmów ML do identyfikacji fäszywych wiadomo-ci.B-dziemy u-ywä kilku algorytmów klasyfikacji uczenia maszynowego, w tym Naïve Bayes, regresji logistycznej, Random Forest i Support Vector Machine. Naszym celem by-o zidentyfikowanie najskuteczniejszej techniki NLP do identyfikacji fäszywych wiadomo-ci.

Dr Kirti Hemant Wanjale uzyskäa stopie- doktora na Wydziale In-ynierii Komputerowej w SSSTUMS, Sehore MP. Obecnie pracuje jako profesor na Wydziale In-ynierii Komputerowej w Vishwakarma Institute of Technology Pune. Ma 22-letnie do-wiadczenie. Jej g-ówne zainteresowania badawcze to bezprzewodowe sieci czujników, Internet rzeczy (IoT).