Application of Game-Based Metaheuristics for Fake News Detection.

Abstract

La mont´ee des r´eseaux sociaux en ligne a consid´erablement augment´e la propagation des fausses informations, posant des d´efis `a la confiance et `a la s´ecurit´e sur ces plateformes. Cette dissertation pr´esente une ´etude compl`ete comparant divers algorithmes de d´etection de fausses informations. Nous ´evaluons des algorithmes d’apprentissage automatique supervis ´es et non supervis´es sur plusieurs ensembles de donn´ees r´eels provenant de r´eseaux sociaux tels que Facebook, Twitter et Instagram. Nos r´esultats r´ev`elent qu’aucun algorithme ne surpasse syst´ematiquement les autres dans toutes les situations. Chaque m´ethode pr´esente ses forces et ses faiblesses en fonction des caract´eristiques de l’ensemble de donn´ees. Les mod`eles supervis´es, y compris la Forˆet Al´eatoire, le KNN, le Boosting de Gradient, le SVM, le Na¨ıve Bayes et l’Arbre de D´ecision, montrent g´en´eralement de bonnes performances. Pour les mod`eles non supervis´es, le clustering hi´erarchique d´epasse souvent le k-means. Pour am´eliorer la performance de d´etection, nous int´egrons plusieurs strat´egies et introduisons l’Algorithme d’Optimisation par le Golf (GOA) pour optimiser un mod`ele supervis ´e choisi pour la d´etection des fausses nouvelles. Nos r´esultats montrent que le GOA surpasse les algorithmes traditionnels en termes de pr´ecision, de rappel et de score F1. Cette recherche contribue `a une meilleure compr´ehension du comportement des algorithmes dans divers contextes et souligne l’importance de combiner plusieurs techniques pour obtenir des r´esultats optimaux. Les travaux futurs se concentreront sur l’´elargissement du champ de comparaison pour inclure davantage de mod`eles bio-inspir´es et explorer l’applicabilit´e pratique du GOA dans divers domaines.