Inferência Automática de Credibilidade de Sítios Web: Características de Domínio e Geolocalização para o Combate às Notícias Falsas-Reference-Cited by-同舟云学术

Inferência Automática de Credibilidade de Sítios Web: Características de Domínio e Geolocalização para o Combate às Notícias Falsas

Published:2024-07-21 Issue: Volume: Page:61-72
ISSN:
Container-title:Anais do XXIII Workshop em Desempenho de Sistemas Computacionais e de Comunicação (WPerformance 2024)
language:
Short-container-title:

Author:

Mendonça Marcos Paulo Cezar de,Moraes Igor Monteiro,Mattos Diogo Menezes Ferrazani

Abstract

A avaliação da credibilidade de sítios web que propagam notícias é uma atividade crítica no combate à desinformação. Sítios web de baixa confiabilidade são por vezes apontados como a origem das notícias falsas propagadas e amplificadas em redes sociais. Este artigo propõe uma avaliação automática da credibilidade dos sítios web, sem a necessidade de varredura de todo o conteúdo do sítio. Diferente de trabalhos anteriores que focam nas redes sociais, este artigo utiliza características publicamente disponíveis dos sítios web, como as características do domínio, geolocalização e do certificado TLS, para identificar sítios web confiáveis e não confiáveis, usando técnicas de aprendizado de máquina supervisionado. O artigo propõe um modelo de aprendizado supervisionado e consolida um conjunto de dados de sítios confiáveis e não confiáveis. O modelo foi treinado e avaliado com dados disjuntos e foi possível identificar de forma eficaz, com precisão maior que 75%, sítios web confiáveis e não confiáveis, contribuindo para combate à disseminação de notícias falsas e de desinformação.

Publisher

Sociedade Brasileira de Computação - SBC

Reference20 articles.

1. Ahammad, S. H., Kale, S. D., Upadhye, G. D., Pande, S. D., Babu, E. V., Dhumane, A. V. e Bahadur, M. D. K. J. (2022). Phishing url detection using machine learning methods. Advances in Engineering Software, 173:103288.

2. Al-Shehari, T. e Alsowail, R. A. (2021). An insider data leakage detection using one-hot encoding, synthetic minority oversampling and machine learning techniques. Entropy, 23(10):1258.

3. Alkawaz, M. H., Steven, S. J., Hajamydeen, A. I. e Ramli, R. (2021). A comprehensive survey on identification and analysis of phishing website based on machine learning methods. Em 2021 IEEE 11th IEEE Symposium on Computer Applications & Industrial Electronics (ISCAIE), p. 82–87. IEEE.

4. Baly, R., Karadzhov, G., Alexandrov, D., Glass, J. e Nakov, P. (2018). Predicting factuality of reporting and bias of news media sources. arXiv preprint arXiv:1810.01765.

5. Cordeiro, A., de Oliveira Sampaio, J. e Ruback, L. (2020). Fakespread: Um framework para análise de propagação de fake news na web. Em Anais do XI Workshop sobre Aspectos da Interação Humano-Computador Para a Web Social, p. 9–16. SBC.