Application of Game-Based Metaheuristics for Fake News Detection

Abstract

La montée des réseaux sociaux en ligne a considérablement augmenté la propagation des fausses informations, posant des défis à la confiance et `a la sécurité sur ces plateformes. Cette dissertation présente une étude complète comparant divers algorithmes de détection de fausses informations. Nous ´évaluons des algorithmes d’apprentissage automatique supervisés et non supervisés sur plusieurs ensembles de données réels provenant de réseaux sociaux tels que Facebook, Twitter et Instagram. Nos résultats révèlent qu’aucun algorithme ne surpasse systématiquement les autres dans toutes les situations. Chaque méthode présente ses forces et ses faiblesses en fonction des caractéristiques de l’ensemble de données. Les modèles supervisés, y compris la Foret Aléatoire, le KNN, le Boosting de Gradient, le SVM, le Naïve Bayes et l’Arbre de Décision, montrent généralement de bonnes performances. Pour les modèles non supervisés, le clustering hiérarchique dépasse souvent le k-means. Pour améliorer la performance de détection, nous intégrons plusieurs stratégies et introduisons l’Algorithme d’Optimisation par le Golf (GOA) pour optimiser un modèle supervise choisi pour la détection des fausses nouvelles. Nos résultats montrent que le GOA surpasse les algorithmes traditionnels en termes de précision, de rappel et de score F1. Cette recherche contribue `a une meilleure compréhension du comportement des algorithmes dans divers contextes et souligne l’importance de combiner plusieurs techniques pour obtenir des résultats optimaux. Les travaux futurs se concentreront sur l’élargissement du champ de comparaison pour inclure davantage de modèles bio-inspirés et explorer l’applicabilité pratique du GOA dans divers domaines.