ハイブリッドディープラーニングモデルによるフェイクニュース検出：アラビア語と英語のケーススタディ

科学分野:

• 自然言語処理; 機械学習; 人工知能

背景:

• オンラインでのフェイクニュースの蔓延は、公共の言論に重大な脅威をもたらしています。既存のフェイクニュース検出モデルは、多言語機能を欠き、特にアラビア語の精度が低いことがよくあります。リソースの制約とアラビア語の言語的複雑さは、誤報検出に特有の課題をもたらします。

研究 の 目的:

• アラビア語と英語の両方でフェイクニュース検出（FND）のための効果的なディープラーニング技術を開発すること。単一言語モデルの限界に対処し、アラビア語コンテンツの検出精度を向上させること。

主な方法:

• マルチチャネル畳み込みニューラルネットワーク（CNN）とデュアル双方向長短期記憶（BiLSTM）を統合した新しいディープラーニングモデルを提案しました。モデルは、意味的および局所的なテキスト特徴を捉えるために、事前学習済みのFastTextモデルを利用しました。次元削減と特徴抽出のためにグローバルマックスプーリング層が採用され、その後に分類が行われました。

主要な成果:

• モデルはベンチマークデータセットで高い精度を達成しました：AFND（アラビア語）で94.43％、ANS（アラビア語）で71.63％、WELFake（英語）で98.85％。実験結果は、モデルが既存の最先端（SOTA）アプローチよりも優れていることを示しています。提案された技術は、異なる言語でのフェイクニュース検出において significant な有効性を示しています。

結論:

• 開発されたディープラーニングモデルは、オンラインの誤報と戦うための堅牢なソリューションを提供します。このアプローチは、ソーシャルネットワークを通じて流通する情報の信頼性を高める上で実用的な応用があります。本研究は、多言語フェイクニュース検出に貢献し、特にアラビア語のパフォーマンスを向上させます。