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 sahte 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) gömülme katmanının sağladığı bağlamsal temsiller ile dört farklı sınıflandırıcı deneysel sürece dahil edilmiştir. GLoVe katmanından sonra Çok Katmanlı Algılayıcı (Multi-Layer Perceptron, MLP), Uzun Ömürlü Kısa Dönem Bellek Ağı (Long-Short Term Memory, LSTM), Yinelemeli Sinir Ağları (Recurrent Neural Network, RNN) ve Evrişimsel Sinir ağları kullanılmıştır (Convolutional Neural Network, CNN). Deneysel çalışmalarda açık erişimli COVID-19 isimli sahte haber tespit veri seti kullanılmış, başarımı çeşitli performans metrikleri ile hesaplanmıştır. En yüksek başarım %91 ile LSTM tarafından rapor edilmiştir. Ön-eğitimli kelime gömülmelerinin farklı sinirsel ağlardan bağımsız olarak yüksek bir hassasiyetle sahte haberlerin tespitinde kullanılabileceğini gösteren umut verici sonuçlar sunulmuştur.