Sahte Haber Tespiti için Derin Bağlamsal Kelime Gömülmeleri ve Sinirsel Ağların Performans Değerlendirmesi

Abstract

Artan internet ve sosyal medya kullanımı ile sosyal medya ve online haber siteleri bilgi içeriklerini oluşturmada ve yaymada önemli kaynaklar haline gelmişlerdir. Ancak online bilginin miktarı ve üretilme hızından ötürü insan eliyle doğrulanması mümkün olamamaktadır. Dahası rejimler, hükümetler ve etnik kökenler denetimden uzak yalan haberlerin yıkıcı etkisine maruz kalmakta ve bu olumsuz etkilerin minimuma indirgenmesi için yeni teknolojilere ihtiyaç duyulmaktadır. Son yıllarda farklı doğal dil işleme görevlerinde ön-eğitimli modeller başarı ile kullanılmaktadır. Derin sinir ağı ve kavramsal kelime gömülmelerinin birlikte kullanılması durumunda hangi sınıflandırıcının daha verimli olduğu hususu yeterince net değildir. Bu noktada kapsamlı ve karşılaştırmalı çalışmanın eksikliğinden ötürü Global Vektörler (GloVe) ön-eğitimli kelime gömülme katmanının sağladığı bağlamsal temsiller ile dört farklı sınıflandırıcı deneysel sürece dahil edilmiştir. GLoVe katmanından sonra Çok Katmanlı Algılayıcı, Uzun Ömürlü Kısa Dönem Bellek Ağı, Yinelemeli Sinir Ağları ve Evrişimsel Sinir ağları kullanılmıştır. Deneysel çalışmalarda açık erişimli Covid-19 isimli sahte haber tespit veri seti kullanılmış, başarımı çeşitli performans metrikleri ile hesaplanmıştır. En yüksek başarım %91 ile Uzun Ömürlü Kısa Dönem Bellek ağları tarafından rapor edilmiştir. Diğer sonuçlar karşılaştırmalı bir biçimde ilgili tablo ve grafiklerde yer almaktadır. Ön-eğitimli kelime gömülmelerinin farklı sinirsel ağlardan bağımsız olarak yüksek bir hassasiyetle sahte haberlerin tespitinde kullanılabileceğini gösteren umut verici sonuçlar sunulmuştur.