Titre :	Fact checking and fake news detection models for online social media
Type de document :	texte imprimé
Auteurs :	Amir Fares, Auteur ; Rania Yasmine Chougui ; Drif,Ahlem, Directeur de thèse
Editeur :	Sétif:UFS
Année de publication :	2023
Importance :	1 vol (79 f.)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Fact checking Arabic fake news detection Social media Deep ensemble Bayesian neural network (BNN) Prediction uncertainty
Index. décimale :	004 - Informatique
Résumé :	Les fausses nouvelles, la mésinformation et la désinformation émergent en tant que des menaces de cybersécurité tant que le partage de fausses informations est dangereux et peut amener des individus à agir de manière nuisible. Pour cette raison, il est crucial de fournir des outils de vérification des faits pour déterminer la véracité d’une information virale. Cette thèse propose une nouvelle approche pour la détection des fake news sur les réseaux sociaux en utilisant des réseaux de neurones tout en mesurant l’incertitude des prédictions du modèle, un aspect qui n’avait pas encore été exploré dans ce domaine. Les approches proposées comprennent un ensemble profond de modèles BI-LSTM utilisant des entrées incorporées, des modèles DNN avec des métadonnées et des modèles DNN avec une matrice TF-IDF, ainsi qu’un modèle de réseau de neurones bayésien (BNN). Les expériences menées sur un ensemble de données de la langue arabe montrent que le modèle proposé obtiennent de meilleures performances par rapport aux travaux précédents tout en fournissant également des informations précieuses sur le niveau d’incertitude dans les prédictions du modèle ce qui aident les internautes à devenir des consommateurs de nouvelles plus critiques = Fake news, misinformation and disinformation are emerging as cyber security threats as long as sharing false information is dangerous and can cause individuals to act in harmful ways. For this reason, it is crucial to provide fact-checking tools to determine when news content, images, and videos is fake or real. The main focus of this work is on the development of efficient algorithms that can identify fake news with a high level of accuracy while also measuring the uncertainty of the model’s predictions, an aspect that has not been explored in this field before. The proposed approaches include a deep ensemble of Bi-Long Short Term Memory (BI-LSTM) models using embedded inputs, Deep Neural Network (DNN) models with metadata, and DNN models with Term Frequency-Inverse Document Frequency (TF-IDF) matrix. Additionally, we implement a Bayesian Neural Network (BNN) for metadata, to measure uncertainty on its own. The experiments conducted on a challenging dataset show that the proposed model achieve better performance compared to previous works on this topic while also providing valuable insights into the level of uncertainty in the model’s predictions which help Internet users to become more critical news consumers.
Côte titre :	MAI/0787
En ligne :	https://drive.google.com/file/d/1umNHxMoWxzaaz4C_mbf1eCsmzlKvCX1M/view?usp=drive [...]
Format de la ressource électronique :	pdf

Fact checking and fake news detection models for online social media [texte imprimé] / Amir Fares, Auteur ; Rania Yasmine Chougui ; Drif,Ahlem, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (79 f.) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Fact checking Arabic fake news detection Social media Deep ensemble Bayesian neural network (BNN) Prediction uncertainty
Index. décimale :	004 - Informatique
Résumé :	Les fausses nouvelles, la mésinformation et la désinformation émergent en tant que des menaces de cybersécurité tant que le partage de fausses informations est dangereux et peut amener des individus à agir de manière nuisible. Pour cette raison, il est crucial de fournir des outils de vérification des faits pour déterminer la véracité d’une information virale. Cette thèse propose une nouvelle approche pour la détection des fake news sur les réseaux sociaux en utilisant des réseaux de neurones tout en mesurant l’incertitude des prédictions du modèle, un aspect qui n’avait pas encore été exploré dans ce domaine. Les approches proposées comprennent un ensemble profond de modèles BI-LSTM utilisant des entrées incorporées, des modèles DNN avec des métadonnées et des modèles DNN avec une matrice TF-IDF, ainsi qu’un modèle de réseau de neurones bayésien (BNN). Les expériences menées sur un ensemble de données de la langue arabe montrent que le modèle proposé obtiennent de meilleures performances par rapport aux travaux précédents tout en fournissant également des informations précieuses sur le niveau d’incertitude dans les prédictions du modèle ce qui aident les internautes à devenir des consommateurs de nouvelles plus critiques = Fake news, misinformation and disinformation are emerging as cyber security threats as long as sharing false information is dangerous and can cause individuals to act in harmful ways. For this reason, it is crucial to provide fact-checking tools to determine when news content, images, and videos is fake or real. The main focus of this work is on the development of efficient algorithms that can identify fake news with a high level of accuracy while also measuring the uncertainty of the model’s predictions, an aspect that has not been explored in this field before. The proposed approaches include a deep ensemble of Bi-Long Short Term Memory (BI-LSTM) models using embedded inputs, Deep Neural Network (DNN) models with metadata, and DNN models with Term Frequency-Inverse Document Frequency (TF-IDF) matrix. Additionally, we implement a Bayesian Neural Network (BNN) for metadata, to measure uncertainty on its own. The experiments conducted on a challenging dataset show that the proposed model achieve better performance compared to previous works on this topic while also providing valuable insights into the level of uncertainty in the model’s predictions which help Internet users to become more critical news consumers.
Côte titre :	MAI/0787
En ligne :	https://drive.google.com/file/d/1umNHxMoWxzaaz4C_mbf1eCsmzlKvCX1M/view?usp=drive [...]
Format de la ressource électronique :	pdf