Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/3122
Título : Análise de notícias falsas em rede social : uma abordagem utilizando transferência de aprendizagem e Transformers.
Autor : Narde, Wagner Bianchini
metadata.dc.contributor.advisor: Torres, Luiz Carlos Bambirra
metadata.dc.contributor.referee: Torres, Luiz Carlos Bambirra
Souza, Alexandre Magno de
Ferreira, Carlos Henrique Gomes
Silva, Gustavo Rodrigues Lacerda
Palabras clave : Fake news
Desinformação
Verificação
Machine learning
Transfer learning
Fecha de publicación : 2021
Citación : NARDE, Wagner Bianchini. Análise de notícias falsas em rede social: uma abordagem utilizando transferência de aprendizagem e Transformers. 2021. 46 f. Monografia (Graduação em Engenharia de Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2021.
Resumen : Notícias falsas se propagam mais rápido no Twitter do que notícias comuns, elas podem desde influenciar o resultado de uma eleição a até causar mortes por tratamentos incorretos de doenças. Este trabalho tem por objetivo principal utilizar métodos baseados em transferência de aprendizagem para aprendizado de máquina e a biblioteca Transformers para classificação de tweets em verdadeiro e falso. Para isso primeiro é revisada a teoria a respeito das causas e consequências das notícias falsas, tecnologias empregadas e trabalhos relacionados. Elaborada uma base de dados rotulada de forma confiável a partir de postagens extraídas do Twitter. Treina-se os modelos Natural Language Processing (NLP) de classificação baseados em transferência de aprendizado para o idioma português e avalia-os. O modelo de Bidirectional Encoder Representations from Transformers (BERT) ajustado a partir do pré treinamento de Souza, Nogueira e Lotufo (2020) obteve o melhor resultado, conseguindo acurácia de 95,1% de acurácia e 95,4% de F1 para verificação de autenticidade de postagens e 94,4% de acurácia e 94,6% de F1 para detecção de notícias falsas. Até o momento da apresentação deste trabalho não foram encontrados resultados superiores na classificação de tweets em português, sendo a principal contribuição deste trabalho um modelo no estado da arte para o problema. Além disso, esse trabalho serve de apoio para pesquisas em português que busquem utilizar os modelos disponíveis na biblioteca transformers para NLP em categorização de textos.
metadata.dc.description.abstracten: False news spreads faster on Twitter than common news, they can from influencing the outcome of an election to even cause deaths for incorrect treatment diseases. This work aims to use methods based on learning transfer for machine learning and librarysformers for rating of tweets in true and false. For this first is revised the theory Arespeito of the causes and consequences of false news, employed technologies and related works. Elaborated a database reliably labeled from deposts extracted dotwitter. Train the Natural Language Processing (NLP) models based on learning transfer for the Portuguese language and evaluate them. The bidirectional model Representations from Transformers (BERT) adjusted from the pre-training of Souza, Nogueira and Lotufo (2020) obtained the improvement, achieving an accuracy of 95.1% of accuracy and 95.4% of F1 for verification of Posts and 94.4% accuracy and 94.6% F1 for false news detection. Until the presentation of this work no higher results were found in the classification of Tweets in Portuguese, being the main contribution of this work a model in the state of art for the problem. In addition, this work serves as support for Portuguese surveys that seek to use the models available in the Transformers library to NLP in categorization of texts.
URI : http://www.monografias.ufop.br/handle/35400000/3122
Aparece en las colecciones: Engenharia de Computação - JMV

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_AnáliseNotíciasFalsas.pdf1,97 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons