ARTYKUŁ ORYGINALNY
ALGORYTMICZNE PODEJŚCIE DO DOKŁADNOŚCI WAŻONEJ W PRZECIWDZIAŁANIU FAŁSZYWYM INFORMACJOM I DEZINFORMACJI
Więcej
Ukryj
1
School of Economics, School of Law and Intellectual Property, Zhejiang Gongshang University, China
Data nadesłania: 01-08-2020
Data akceptacji: 19-02-2021
Data publikacji online: 31-03-2021
Data publikacji: 31-03-2021
Autor do korespondencji
Kwadwo Osei Bonsu
School of Economics, School of Law and Intellectual Property, Zhejiang Gongshang University, 18 Xuezheng St, Jianggan District, Hangzhou, Zheji, 310018, Hangzhou, China
Economic and Regional Studies 2021;14(1):99-107
SŁOWA KLUCZOWE
DZIEDZINY
STRESZCZENIE
Przedmiot i cel pracy:: Fałszywe wiadomości i dezinformacja prowadzą do skażenia środowiska
informacyjnego. Dlatego w niniejszym artykule zaproponowano metodologię wykrywania
fałszywych wiadomości za pomocą połączonych dokładności ważonych siedmiu algorytmów
uczenia maszynowego. Materiały i metody:: Artykuł ten wykorzystuje przetwarzanie języka naturalnego do analizy
zawartości tekstowej listy próbek wiadomości, a następnie przewiduje, czy są one FAŁSZYWE, czy
PRAWDZIWE. Wyniki:: Wykazano, że algorytmiczne podejście do dokładności ważonej zmniejsza nadmierne
dopasowanie. Wykazano, że indywidualne działanie różnych algorytmów poprawiło się po
wyodrębnieniu danych z serwisów informacyjnych i filtrowaniu danych „jakościowych” przez
mechanizm ograniczeń opracowany w eksperymencie. Wnioski:: Model ten różni się od istniejących mechanizmów w tym sensie, że automatyzuje
proces doboru algorytmów i jednocześnie bierze pod uwagę działania wszystkich zastosowanych
algorytmów, w tym tych mniej wydajnych, zwiększając tym samym średnią dokładność wszystkich
dokładności algorytmów.
INFORMACJE O RECENZOWANIU
Sprawdzono w systemie antyplagiatowym
iThenticate
REFERENCJE (23)
1.
Al Messabi, K., Aldwairi, M., Al Yousif, A., Thoban, A., Belqasmi, F. (2018). Malware detection using DNS records and domain name features. ICFNDS ‘18: Proceedings of the 2nd International Conference on Future Networks and Distributed Systems, 29, 1-7.
https://doi.org/10.1145/323105....
2.
Aldwairi, M., Abu-Dalo, A.M., Jarrah, M. (2017). Pattern matching of signature-based IDS using Myers algorithm under MapReduce framework. EURASIP Journal on Information Security, 9, 1-11.
https://doi.org/10.1186/s13635....
3.
Aldwairi, M., Alsaadi, H.H. (2017). Flukes: Autonomous log forensics, intelligence and visualization tool. In: Proceedings of the International Conference on Future Networks and Distributed Systems, pp. 33(133), 1-6.
https://doi.org/10.1145/310230....
4.
Bachenko, J., Fitzpatrick, E., Schonwetter, M. (2008). Verification and implementation of language-based deception indicators in civil and criminal narratives. COLING ‘08: Proceedings of the 22nd International Conference on Computational Linguistics, 1, 41-48.
https://doi.org/10.3115/159908....
5.
Balmas, M. (2014). When fake news becomes real: Combined exposure to multiple news sources and political attitudes of inefficacy, alienation, and cynicism. Communication Research, 41(3), 430-454.
https://doi.org/10.1177/009365....
7.
Chakraborty, A., Paranjape, B., Kakarla, S., Ganguly, N. (2016). Stop clickbait: Detecting and preventing clickbaits in online news media. In: 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), pp. 9–16.
https://doi.org/10.1109/ASONAM....
8.
Chen, Y., Conroy, N.J., Rubin, V.L. (2015). News in an Online World: The Need for an “Automatic Crap Detector”. In: The Proceedings of the Association for Information Science and Technology Annual Meeting (ASIST2015), 52(1), 1-4.
https://doi.org/10.1002/pra2.2....
9.
Conroy, N., Rubin, V., Chen, Y. (2015). Automatic deception detection: Methods for finding fake news. Proceedings of the Association for Information Science and Technology, 52(1), 1-4.
https://doi.org/10.1002/pra2.2....
10.
Fake News (2020). Wikipedia, As of May 25, 2020. Access: https: //en.wikipedia.org/wiki/Fakenews.
11.
Feng, V., Hirst, G. (2013). Detecting Deceptive Opinions with Profile Compatibility. IJCNLP, International Joint Conference on Natural Language Processing, pages 338–346, Nagoya, Japan, 14-18 October 2013. Access:
https://www.aclweb.org/antholo....
14.
Larcker, D.F., Zakolyukina, A.A. (2012). Detecting Deceptive Discussions in Conference Calls. Journal of Accounting Research, 50(2), 495-540.
https://doi.org/10.1111/j.1475....
15.
Lewis, S.C. (2011). Journalists, Social Media, and the Use of Humor on Twitter. The Electronic Journal of Communication / La Revue Electronic de Communication, 21, 1-2.
16.
Nah, F.F.H. (2015). Fake-website detection tools: Identifying elements that promote individuals use and enhance their performance 1. Introduction.
18.
Ray, S., Srivastava, T., Dar, P., Shaikh, F. (2017). Understanding Support Vector Machine algorithm from examples (along with code). Access:
https://www.analyticsvidhya.co....
19.
Riedel, B., Augenstein, I., Spithourakis, G.P., Riedel, S. (2017). A simple but tough-to-beat baseline for the Fake News Challenge stance detection task. ArXiv, abs/1707.03264. Access:
https://www.semanticscholar.or....
21.
Rubin, V.L., Chen, Y., Conroy, N.J. (2015). Deception detection for news: three types of fakes. In: The Proceedings of the 78th ASIS&T Annual Meeting: Information Science with Impact: Research in and for the Community, 83, 1-4. Access:
http://dl.acm.org/citation.cfm....
23.
Shu, K., Sliva, A., Wang, S., Tang, J., Liu, H. (2017). Fake News Detection on Social Media: A Data Mining Perspective. ACM SIGKDD Explorations Newsletter, 19(1), 22-36.
https://doi.org/10.1145/313759....