Wykrywanie falszywych wiadomości

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.