Şüpheli Haberlerin Tespitine Yönelik Derin Öğrenme Tabanlı Haber Teyit Sisteminin Gerçekleştirilmesi

Abstract

Dijital medyanın yaygınlaşması, sahte haberlerin toplumu olumsuz etkilemesine yol açmaktadır. Özellikle sosyal medya platformları, yanlış bilgilerin hızla yayılmasına sebep olmaktadır. Bu durum bireylerin yanlış yönlendirilmesine, toplumsal kutuplaşmaya ve güven kaybına yol açmaktadır. Bu nedenle, sahte haberlerin hızlı ve güvenilir bir şekilde tespiti çağımızın en önemli sorunlarından biri haline gelmiştir. Bu çalışmada, derin öğrenme ve doğal dil işleme (NLP) tabanlı yenilikçi bir haber teyit sistemi geliştirilmiştir. Sistem, dijital haber içeriklerinin doğruluğunu analiz ederek, kullanıcıları yanlış bilgilendirmeden korumayı hedeflemektedir. Geliştirilen model, haber metinlerini Zemberek kütüphansiyle işleyerek optimize etmekte, ardından BERT tabanlı özetleme yöntemleriyle metinlerin anlamını zenginleştirmektedir. Zemberek, Türkçe metinlerin doğal dil işleme süreçlerini kolaylaştırırken, SBERT modeli ise haber içeriklerinin daha derin anlamsal analizini gerçekleştirmektedir. Ayrıca YAKE algoritması haber içeriklerinden anahtar kelimeler çıkararak güvenilir kaynaklarla karşılaştırılmasını kolaylaştırmaktadır. Metinler arasındaki anlamsal benzerlik SBERT modeli kullanılarak ölçülmektedir. Kelime bazlı benzerlikler ise N-gram yöntemiyle ölçülmektedir. Bu iki yöntemden elde edilen sonuçlar birleştirilerek, haberin doğruluk skoru hesaplanmakta ve kullanıcıya sunulmaktadır. Önerilen sistem, sahte haberlerin tespitinde yüksek doğruluk oranları sunmakta ve gerçek zamanlı veri analizi sayesinde güncel olaylardaki yanlış bilgileri hızla belirlemektedir. Çok dilli ve çok modaliteli bir yapıya kavuşturulması hedeflenen sistemin uluslararası sahte haber tespiti için de etkili bir çözüm sunması hedeflenmektedir.

The proliferation of digital media causes fake news to negatively affect society. Social media platforms, in particular, cause false information to spread rapidly. This situation leads to misdirection of individuals, social polarization and loss of trust. Therefore, rapid and reliable detection of fake news has become one of the most important problems of our time. In this study, an innovative news verification system based on deep learning and natural language processing (NLP) has been developed. The system aims to protect users from misinformation by analyzing the accuracy of digital news content. The developed model optimizes news texts by processing them with the Zemberek library, and then enriches the meaning of the texts with BERT-based summarization methods. While Zemberek facilitates the natural language processing of Turkish texts, the SBERT model performs deeper semantic analysis of news content. Moreover, the YAKE algorithm extracts keywords from news content, thereby facilitating its comparison with reliable sources. Semantic similarity between texts is measured using the SBERT model. Word-based similarities are measured with the N-gram method. By combining the results obtained from these two methods, the accuracy score of the news is calculated and presented to the user. The proposed system offers high accuracy rates in detecting fake news and quickly identifies misleading information in current events thanks to real-time data analysis. The system, which is intended to be enhanced with a multilingual and multimodal structure, is also expected to provide an effective solution for international fake news detection.