Wykrywanie fa?szywych wiadomo?ci

Nie jest tajemnic? ?e platformy mediów spo?eczno?ciowych rozprzestrzeniaj? si? w bezprecedensowym tempie a wraz z coraz powszechniejszym dost?pem do Internetu rozpowszechnianie fa?szywych wiadomo?ci sta?o si? szybkim i ?atwym procesem. Konsekwencje tego zjawiska s? g??bokie szczególnie w sferze polityki i edukacji gdzie wp?yw fa?szywych wiadomo?ci mo?e by? znacz?co destrukcyjny.W tym badaniu wykorzystamy przetwarzanie j?zyka naturalnego (NLP) do przekszta?cania tekstowych nag?ówków wiadomo?ci w wektory liczbowe. Zbadali?my i porównali?my dwie metody NLP Bag of Words (BoW) i Term Frequency-Inverse Document Frequency (TF-IDF) aby zobaczy? jak dobrze dzia?aj? przy u?yciu ró?nych algorytmów ML do identyfikacji fa?szywych wiadomo?ci.B?dziemy u?ywa? kilku algorytmów klasyfikacji uczenia maszynowego w tym Naïve Bayes regresji logistycznej Random Forest i Support Vector Machine. Naszym celem by?o zidentyfikowanie najskuteczniejszej techniki NLP do identyfikacji fa?szywych wiadomo?ci.