Detecção de fake news a partir de redes neurais artificiai
Data
2020
Autores
Schulz, Mathias Artur
Orientadores
Daniel Gomes Soares, Msc
Coorientadores
Avaliadores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
As 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.
Descrição
Palavras-chave
Detecção , Falsas Notícias , Redes Neurais Artificiais