Una comparación empírica de algoritmos de aprendizaje automático versus aprendizaje profundo para la detección de noticias falsas en redes sociales

Resumen

Las redes sociales se han convertido en uno de los principales canales de información del ser humano debido a la inmediatez e interactividad social que ofrecen, permitiendo en algunos casos publicar lo que cada usuario considere pertinente. Esto ha traído consigo la generación de noticias falsas o Fake News, publicaciones que solo buscan generar incertidumbre, desinformación o sesgar la opinión de los lectores. Se ha evidenciado que el ser humano no es capaz de identificar en su totalidad si un artículo es realmente un hecho o bien una Fake News, debido a esto es que surgen modelos que buscan caracterizar e identificar artículos basados en minería de datos y machine learning. Este artículo compara empíricamente distintos esquemas de machine learning y deep learning en la tarea de identificar fake news. Para ello se utilizan conjuntos de datos extraídos desde el estado del arte. Los resultados obtenidos en base a la técnica de muestreo utilizado y la representación vectorial Tf-Idf del corpus, indican una mejora significativa en el accuracy en contraste a los resultados obtenidos en el estado del arte considerando el repositorio FakeNewsNet.