Inteligência Artificial
URI Permanente para esta coleção
Navegar
Navegando Inteligência Artificial por Assunto "Detecção"
Agora exibindo 1 - 1 de 1
Resultados por página
Opções de Ordenação
- ItemDetecção de fake news a partir de redes neurais artificiai(2020) Schulz, Mathias Artur; Daniel Gomes Soares, MscAs falsas notícias são histórias fabricadas e construídas com base em notícias verídicas, no entanto possuem como objetivo enganar seus leitores a partir de informações que são falsas intencionalmente. Não são novas no cotidiano das pessoas e, além disso, a internet alavancou o seu crescimento e facilitou a forma como elas são disseminadas. As falsas notícias compartilhadas garantem poder, vantagem e podem causar nos leitores julgamentos precipitados, preconceitos, violência verbal e discriminação. Neste cenário, o combate das falsas notícias pode ocorrer de diversas formas, como o aumento da capacidade dos indivíduos em avaliar as notícias, por meio de características das notícias e sites que avaliam a veracidade das informações e a busca por mudanças estruturais que diminuam o acesso dos indivíduos às falsas resenhas. Dentre as técnicas disponíveis para a detecção de falsas notícias, estão as Redes Neurais Artificiais (RNAs), que são modelos computacionais inspirados no sistema nervoso de seres vivos. A finalidade deste trabalho é desenvolver um modelo de detecção de falsas notícias em sites de notícias brasileiros disponíveis nas mídias sociais por meio da técnica de RNA. Para a obtenção dos objetivos deste trabalho, foi realizada a revisão bibliográfica da literatura de modo a identificar os modelos que têm sido utilizados para a detecção de falsas notícias, as variáveis utilizadas e a forma de conversão dos textos para representação numérica. Foi realizada a modelagem e treinamento das redes Perceptron Multicamadas (MLP) e Memória de Longo Prazo (LSTM) com diversas configurações de variáveis de entrada e parâmetros iniciais. Por fim, é analisado e apresentado o desempenho das redes modeladas por meio de índices estatísticos e gráficos, no qual a melhor configuração para o modelo MLP apresentou um RMSE de 0.0439 e um F1 Score de 98.32% e a melhor configuração para o modelo LSTM apresentou um RMSE de 0.0551 e um F1 Score de 96.27%. Dessa forma, o modelo MLP obteve, neste trabalho, um desempenho melhor quando comparado ao modelo de aprendizado profundo LSTM.