Sandler S., Krauss O., Diesenreiter C., Stöckl A. „Detecting Fake News and Performing Quality Ranking of German News Papers Using Machine Learning“ in Proceedings of International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME), 2022.
Machine Learning
Heutzutage verbreiten sich Nachrichten schnell, und es ist für den Leser nicht immer klar, ob ein Artikel echt oder gefälscht ist. Außerdem nutzen die Leser nur einige wenige Quellen, um die Nachrichten zu lesen, ohne die Qualität der Quelle zu kennen. Dies ist auf einen Mangel an aktuellen
Nachrichten oder Medien-Rankings. Modelle des maschinellen Lernens können zur automatischen Erkennung von Fake News eingesetzt werden. In dieser Arbeit werden ein Passiv-Aggressiv-Klassifikator, ein Random-Forest und ein LSTM-Netzwerk trainiert, um zwischen gefälschten und nicht gefälschten (echten)
Nachrichten zu unterscheiden. Darüber hinaus werden diese Modelle verwendet, um Nachrichtenquellen nach der Menge möglicher Fake News zu klassifizieren, die sie verbreiten könnten. Die Modelle werden an englischen und übersetzten deutschen Artikeln getestet. Die besten Ergebnisse bei der Erkennung von Fake News in englischen Artikeln werden mit dem Passiv-Aggressiv-Klassifikator erzielt. Für die automatische Nachrichten-Ranking von übersetzten deutschen Artikeln liefert Random-Forest das beste Ergebnis. Die Korrelation von Random-Forest mit einem tatsächlichen Nachrichtenranking erreichte 0,68. Dies zeigt, dass die automatische Klassifizierung mit diesem Ansatz auf andere Sprachen als Englisch ausgeweitet werden kann. In Zukunft werden andere maschinelle Lernmodelle und Übersetzer verwendet werden, um den Ansatz zu erweitern.
