سامانه همایش‌ها TSTA | ثبت‌نام و ارسال مقاله کنفرانس‌ها و کنگره‌های ملی

صفحه اصلی / دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین و دومین کنفرانس ملی علم داده در کاربردهای مهندسی

Machine Learning and Deep Learning Approaches for Fake News Detection: A Comprehensive Survey

نویسندگان :

Arian Hajati¹ Azita Shirazipour² Seyed Javad Mirabedini³

1- دانشگاه آزاد اسلامی واحد تهران مرکزی 2- دانشگاه آزاد اسلامی واحد تهران مرکزی 3- دانشگاه آزاد اسلامی واحد تهران مرکزی

کلمات کلیدی :

Fake News Detection،Deep Learning،Machine Learning،Transformer Models،Explainable Artificial Intelligence

چکیده :

گسترش سریع اطلاعات نادرست در بستر کانال‌های دیجیتال، گفتمان عمومی، سلامت فرایندهای دموکراتیک، و مقاومت زیرساخت‌های بهداشت جهانی را تهدید می‌کند. بررسی و راستی‌آزمایی دستی اطلاعات به‌هیچ‌وجه توان همگام شدن با حجم عظیم محتوای تولیدشده را ندارد و این مسئله نیاز فوری به روش‌های خودکار و مقیاس‌پذیر برای شناسایی اطلاعات نادرست را ایجاد کرده است. این مقاله‌ی مروری، ارزیابی جامعی از جدیدترین تکنیک‌های یادگیری ماشین (ML) و یادگیری عمیق (DL) که برای مقابله با اخبار جعلی طراحی شده‌اند ارائه می‌دهد، و بر مدل‌های مبتنی بر ترنسفورمر، معماری‌های ترکیبی، و شبکه‌های تقویت‌شده با گراف تمرکز می‌کند. ما طبقه‌بندهای مرسوم ML ـ از جمله ماشین‌های بردار پشتیبان (SVM) و جنگل تصادفی (Random Forest) ـ را با همتایان DL آن‌ها مانند شبکه‌های کانولوشنی (CNN)، شبکه‌های LSTM، و معماری‌های پیشرفته مبتنی بر توجه نظیر BERT، RoBERTa و GAT-BERT مقایسه می‌کنیم. همچنین این مرور، مجموعه داده‌های مرجع نوظهور (مانند ReCOVery، COVID-FND، WELFake) را فهرست می‌کند، شاخص‌های نوآورانه ارزیابی را معرفی می‌کند، و مسیرهای تحقیقاتی نویدبخشی مانند شناسایی بلادرنگ، ادغام چندوجهی داده‌ها، مقیاس‌پذیری چندزبانه، و هوش مصنوعی قابل‌توضیح (XAI) را برجسته می‌سازد. با استخراج نتایج از بدنه‌ی فعلی مطالعات، این مقاله تلاش می‌کند طراحی سیستم‌های شناسایی آینده را هدایت کند؛ سیستم‌هایی که علاوه بر دقت بالا، قابل‌توضیح، مقاوم، و منطبق با اصول اخلاقی در استفاده اجتماعی باشند.