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....
 
6.
Brambrick, N. (2018). Support Vector Machines: A Simple Explanation, KDnuggets. Access: https://www.kdnuggets.com/2016....
 
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....
 
12.
Hassid, J. (2011). Four models of the fourth estate: A typology of contemporary Chinese journalists. The China Quarterly, 208, 813-832. https://doi.org/10.1017/S03057..., https://doi.org/10.1145/323105....
 
13.
InfoWars (2020). Wikipedia, as of July 28. Access: https://en.wikipedia.org/wiki/....
 
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.
 
17.
Pogue, D. (2017). How to stamp out fake news. Scientific American, 316(2), 24-28. https://doi.org/10.1038/scient....
 
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....
 
20.
Rubin, V.L. (2017). Deception Detection and Rumor Debunking for Social Media. In: L. Sloan, A. Quan-Haase (Eds.) (2017), The SAGE Handbook of Social Media Research Methods. London: SAGE. Access: https://uk.sagepub.com/en-gb/e... Access: https://core.ac.uk/download/pd....
 
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....
 
22.
Saxena, R. (2017). How the Naive Bayes Classifier works in Machine Learning. Access: https://dataaspirant.com/2017/....
 
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....
 
eISSN:2451-182X
ISSN:2083-3725
Journals System - logo
Scroll to top