Модели глубокого обучения для эффективного обнаружения фейковых новостей

Работа посвящена разработке алгоритмов, направленных на повышение эффективности обнаружения ложной и вредоносной информации, распространяемой под видом новостных сообщений. Особое внимание уделяется их влиянию на достоверность информации в условиях современного цифрового мира. Для классификации и выявления фейковых новостей предложены алгоритмы глубокого обучения, включая двунаправленные рекуррентные нейронные сети (BiLSTM), рекуррентные нейронные сети (LSTM) и сверточные нейронные сети с последующим применением двунаправленных рекуррентных сетей (CNN + BiLSTM). Оценка эффективности разработанных моделей проводилась на специализированном наборе данных, содержащем тексты реальных и фейковых новостных статей на английском языке с учетом новостной повестки в исламском контексте. Результаты показали, что модель BiLSTM достигла немного более высокой точности — 98,0% по сравнению с другими моделями, что доказывает эффективность алгоритмов глубокого обучения в обнаружении фейковых новостей. Исследование предлагает многообещающий подход к решению этой проблемы и подчеркивает важность разработки более совершенных инструментов для обеспечения точности информации и защиты пользователей от дезинформации. В проведенных исследованиях за счет улучшения конфигурации нейронной сети стало возможно увеличение точности моделей LSTM, BiLSTM, CNN + BiLSTM по сравнению с предыдущими полученными результатами на 7,65; 2,5 и 1,9% соответственно.