Automatic Fake News Detection in Online Media

Abstract

Hoy en día, los medios digitales se han convertido en una de las principales fuentes de consumo de noticias. Las personas y las organizaciones de noticias utilizan los medios digitales, como los sitios web de noticias y redes sociales para mantenerse informados y distribuir información. Estos sitios ofrecen diferentes ventajas como costos reducidos, adaptabilidad, fácil acceso y rápida distribución de la información. Sin embargo, la amplia difusión de la información en estos sitios ha dado lugar a la existencia de noticias falsas. Las noticias falsas contienen información falsa fabricada intencionalmente o alteraciones de hechos reales. Este tipo de noticias tiene como objetivo generar ideas y creencias sesgadas en la sociedad. Para frenar la difusión de noticias falsas en beneficio de la sociedad y de las nuevas organizaciones, existe una tendencia actual a desarrollar sistemas que las detecten automáticamente, ya que hacer una verificación manual es prácticamente imposible. En esta tesis, se presenta un estudio para el problema de la detección automática de noticias falsas en medios digitales utilizando el contenido textual de las noticias. Se recopilaron diferentes conjuntos de datos que contienen noticias extraídas de varios sitios web de noticias y redes sociales para resolver esta tarea. Los conjuntos de datos que recopilamos son: COVID Fake News, FakeNewsNet, ISOT, The Fake News Corpus Spanish y Fake Costa Rica News. Además, la verificación de la veracidad de las noticias en los conjuntos de datos estuvo a cargo de organizaciones como PolitiFact, Gossip Cop, Verificado, etc. Con estos conjuntos de datos, se realizaron una serie de experimentos con diferentes modelos de aprendizaje de máquina y aprendizaje profundo utilizando un conjunto de características superficiales y profundas extraídas del texto. Para evaluar los modelos, se utilizaron un conjunto de métricas para medir su desempeño.