En savoir plus
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.
A propos de l'auteur
La Dra. Kirti Hemant Wanjale se doctoró en la Facultad de Ingeniería Informática de SSSTUMS, Sehore MP. Actualmente trabaja como profesora en el Departamento de Ingeniería Informática del Instituto de Tecnología Vishwakarma de Pune. Tiene 22 años de experiencia. Sus principales intereses de investigación son las redes de sensores inalámbricos, Internet de las Cosas (IoT).
