MÉTODOS DE DETECÇÃO DE FAKE NEWS: COMPARATIVO ENTRE ABORDAGENS CROWD SIGNALS E MÉTODOS DE COMITÊ

Abstract

The significant rise of fake news dissemination is due mainly to the easy generation and consumption of information provided by social networks. Several machine learning-based approaches have been proposed to detect and combat this malicious kind of information. Among the leading approaches to detect fake news there is one based on hybrid crowd signals (HCS). To identify false information, this approach combines signals (i.e. opinions on whether the information is false or not) collected either from the users of social networks or from machine learning classifiers. Although promising, as far as we could observe, HCS employs a naive bayes classifier (i.e. a naive method) to combine the signals from the crowd and infer which pieces of news are false. Hence, the present work raises the hypothesis that ensemble methods applied to combine the opinions provided by the machine learning classifiers used in HCS and implicit opinions provided by users in social networks can lead to better classification models. The experiments conducted in this study provide evidence of the validity of the raised hypothesis.

O aumento significativo da disseminação de Fake News, deve-se à facilidade de criação e consumo de informações nas redes sociais. Várias abordagens baseadas em aprendizado de máquina (AM) foram propostas para detectar e combater esse tipo de informação maliciosa. Entre as principais abordagens para detectar fake news existe uma baseada em Hybrid Crowd Signals (HCS). Para identificar informações falsas, esta abordagem combina sinais (i.e opiniões sobre se a informação é falsa ou não) coletados tanto dos usuários de redes sociais quanto de classificadores de AM. Embora promissora, até onde pudemos observar, a HCS emprega um método ingênuo (Naive Bayes) para combinar os sinais e inferir quais notícias são falsas. Assim, o presente trabalho levanta a hipótese de que métodos ensemble aplicados para combinar as opiniões fornecidas pelos classificadores de AM usados na HCS e as opiniões implícitas dos usuários fornecidas nas redes sociais, podem resultar em modelos de classificação com melhor desempenho. Os experimentos conduzidos neste trabalho fornecem indícios da validade da hipótese levantada.