在COVID-19期间用于情绪分析的机器和深度学习算法:创建抗假新闻社会的愿景
Muhammad Tayyab Zamir1, Fida Ullah1, Rasikh Tariq2
1Centro de Investigación en Computación (CIC), Instituto Politécnico Nacional, Ciudad de México, México.
PloS one
|December 19, 2024
概括
这项研究引入了一个BiGRU深度学习模型,用于检测社交媒体上的COVID-19错误信息,实现高精度. 这些发现支持终身学习者增强媒体素养和抵御假新闻的弹性.
科学领域:
- 自然语言处理 (NLP) 是一种自然语言处理.
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
- 社交媒体分析 社交媒体分析
背景情况:
- 社交媒体促进非正式学习,但也传播错误信息,需要数字素养.
- 在像Twitter这样的平台上进行情绪分析对于理解公共话语至关重要.
- COVID-19错误信息给公共卫生带来了重大挑战,需要有效的检测方法.
研究的目的:
- 开发和评估一种高效的技术来检测COVID-19错误信息.
- 为了比较各种机器学习和深度学习分类器在识别虚假新闻方面的性能.
- 突出先进AI在打击假新闻和促进媒体素养方面的作用.
主要方法:
- 收集了一套虚构和真实的新闻文章的数据集.
- 应用自然语言处理 (NLP) 技术用于数据预处理.
- 训练并比较了五个机器学习 (SVM,物流回归,KNN,决策树,随机森林) 和三个深度学习分类器 (CNN,LSTM,GRU).
主要成果:
- BiGRU深度学习分类器实现了高性能:准确率为0.91,精度为0.90,回忆率为0.93和F1得分为0.92.
- 真正负数:555 真正正数:580.
- 错误的阴性: 81,错误的阳性: 68.
结论:
- BiGRU深度学习分类器在检测COVID-19错误信息方面非常有效.
- 这项研究强调了媒体素养和对假新闻的抵御力的重要性.
- 调查结果对高等教育和终身学习在打击错误信息方面有重大影响.
