Poprawa przewidywania autentyczno¿ci wiadomo¿ci za pomoc¿ metod uczenia maszynowego: Inteligentna weryfikacja

Gwätowne rozprzestrzenianie si¿ dezinformacji na platformach cyfrowych stanowi powäne zagro¿enie dla debaty publicznej, procesów demokratycznych oraz zaufania spo¿ecznego. Systemy r¿cznej weryfikacji nie s¿ w stanie nad¿¿y¿ za skal¿ i tempem generowania fäszywych wiadomo¿ci, co wymusza opracowanie zautomatyzowanych mechanizmów ich wykrywania. W niniejszej pracy przedstawiono lekkie rozwi¿zanie oparte na uczeniu maszynowym, wykorzystuj¿ce klasyfikator Passive-Aggressive oraz wektoryzacj¿ TF-IDF; model ten zostä wytrenowany i oceniony na zbiorze testowym WELFake, obejmuj¿cym 72 119 artyku¿ów pochodz¿cych z ró¿nych platform i opublikowanych w latach 2016-2020. Proponowany system osi¿ga skuteczno¿¿ klasyfikacji na poziomie 96,19% dla 14 424 artyku¿ów testowych, uzyskuj¿c wskäniki precyzji i pe¿no¿ci (recall) w przedziale 0,96-0,97 dla obu klas oraz zrównowäon¿ miar¿ F1 równ¿ 0,96, przy czym walidacj¿ przeprowadzono z u¿yciem mechanizmu CalibratedClassifierCV, zapewniaj¿cego skalibrowane warto¿ci prawdopodobie¿stwa. Oprócz samej klasyfikacji, system oferuje funkcje wyjänialno¿ci oparte na metodzie LIME (umo¿liwiaj¿ce zrozumienie przes¿anek decyzji na poziomie poszczególnych s¿ów), weryfikacj¿ adresów URL w czasie rzeczywistym wraz z analiz¿ wiarygodno¿ci ¿ród¿a, wykrywanie clickbaitów oraz generowanie werdyktów popartych dowodami przy u¿yciu interfejsu API modelu Gemini.