Poprawa przewidywania autentyczności wiadomości za pomocą metod uczenia maszynowego

Gwałtowne rozprzestrzenianie się dezinformacji na platformach cyfrowych stanowi poważne zagrożenie dla debaty publicznej, procesów demokratycznych oraz zaufania społecznego. Systemy ręcznej weryfikacji nie są w stanie nadążyć za skalą i tempem generowania fałszywych wiadomości, co wymusza opracowanie zautomatyzowanych mechanizmów ich wykrywania. W niniejszej pracy przedstawiono lekkie rozwiązanie oparte na uczeniu maszynowym, wykorzystujące klasyfikator Passive-Aggressive oraz wektoryzację TF-IDF; model ten został wytrenowany i oceniony na zbiorze testowym WELFake, obejmującym 72 119 artykułów pochodzących z różnych platform i opublikowanych w latach 2016-2020. Proponowany system osiąga skuteczność klasyfikacji na poziomie 96,19% dla 14 424 artykułów testowych, uzyskując wskaźniki precyzji i pełności (recall) w przedziale 0,96-0,97 dla obu klas oraz zrównoważoną miarę F1 równą 0,96, przy czym walidację przeprowadzono z użyciem mechanizmu CalibratedClassifierCV, zapewniającego skalibrowane wartości prawdopodobieństwa. Oprócz samej klasyfikacji, system oferuje funkcje wyjaśnialności oparte na metodzie LIME (umożliwiające zrozumienie przesłanek decyzji na poziomie poszczególnych słów), weryfikację adresów URL w czasie rzeczywistym wraz z analizą wiarygodności źródła, wykrywanie clickbaitów oraz generowanie werdyktów popartych dowodami przy użyciu interfejsu API modelu Gemini.