آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,495 |
| تعداد مقالات | 18,250 |
| تعداد مشاهده مقاله | 59,112,762 |
| تعداد دریافت فایل اصل مقاله | 20,564,996 |
بهبود شناسایی اخبار جعلی با استفاده از روشهای یادگیری ماشین | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 22 فروردین 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.68653.5067 | ||
| نویسندگان | ||
| فاطمه شهیدی1؛ جواد حمیدزاده* 2 | ||
| 1دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه سجاد، مشهد، ایران | ||
| 2دانشگاه صنعتی سجاد - عضو هیئت علمی | ||
| چکیده | ||
| گسترش سریع اخبار جعلی در پلتفرمهای دیجیتال به چالشی جدی در جوامع امروزی تبدیل شده و بر افکار عمومی، ثبات سیاسی و اعتماد اجتماعی تأثیرگذار است. با وجود پژوهشهای گسترده، بسیاری از روشهای موجود در تشخیص اخبار جعلی از ضعف در تعمیمپذیری، مقاومت پایین در برابر متون کوتاه و نویزی، و وابستگی به ویژگیهای مهندسیشده دستی رنج میبرند. در این پژوهش، یک چارچوب ترکیبی نوین برای تشخیص اخبار جعلی ارائه میشود که انتخاب ویژگی مبتنی بر مجموعههای فازی–تقریبی کرنلی (KFRS) را با یک سامانهٔ تجمعی دومرحلهای متشکل از مدلهای یادگیری عمیق و یادگیری ماشین کلاسیک تلفیق میکند. در این چارچوب، شبکههای LSTM و Bi-LSTM در کنار رگرسیون لجستیک، ماشین بردار پشتیبان و XGBoost بهکار گرفته شده و از راهبردهای رأیدهی نرم و Stacking برای بهرهگیری از قابلیتهای مکمل آنها استفاده میشود. مؤلفهٔ KFRS با مدیریت عدمقطعیت و کاهش نویز، نقش مؤثری در بهبود بازنمایی ویژگیها، بهویژه برای متون کوتاه، ایفا میکند. همچنین،嵌هسازی واژگانی Skip-Gram بهمنظور استخراج روابط معنایی میان واژگان مورد استفاده قرار گرفته است. ارزیابی چارچوب پیشنهادی بر روی سه مجموعهدادهٔ معیار LIAR، FakeNewsNet و FakeEdited نشاندهندهٔ عملکرد پایدار و بهبود قابلتوجه معیارهای Recall و F1-score است. نتایج حاصل بیانگر کارایی، پایداری و قابلیت کاربرد عملی روش پیشنهادی در تشخیص اخبار جعلی در دنیای واقعی است. | ||
| کلیدواژهها | ||
| تشخیص اخبار جعلی؛ یادگیری عمیق؛ یادگیری ماشین؛ مجموعه فازی راف هستهای؛ یادگیری گروهی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 57 |
||