De la desinformación a la percepción: Estrategias de aprendizaje automático para la detección de noticias falsas
Autores: Mouratidis, Despoina; Kanavos, Andreas; Kermanidis, Katia
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
De la desinformación a la percepción: Estrategias de aprendizaje automático para la detección de noticias falsas
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Era digital
Desinformación
Detección de noticias falsas
Aprendizaje automático
Aprendizaje profundo
Modelos basados en BERT
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
En la era digital, la rápida proliferación de la desinformación y la información errónea representa un desafío crítico para la confianza social y la integridad del discurso público. Este estudio presenta un marco integral de aprendizaje automático para la detección de noticias falsas, integrando técnicas avanzadas de procesamiento de lenguaje natural y arquitecturas de aprendizaje profundo. Evaluamos rigurosamente un conjunto diverso de modelos de detección a través de múltiples tipos de contenido, incluyendo publicaciones en redes sociales, artículos de noticias y comentarios generados por usuarios. Nuestro enfoque compara sistemáticamente clasificadores tradicionales de aprendizaje automático (Naïve Bayes, SVMs, Random Forest) con modelos de aprendizaje profundo de vanguardia, como CNNs, LSTMs y BERT, mientras incorporamos técnicas de vectorización optimizadas, incluyendo TF-IDF, Word2Vec y embeddings contextuales. A través de una extensa experimentación en múltiples conjuntos de datos, nuestros resultados demuestran que los modelos basados en BERT logran consistentemente un rendimiento superior, mejorando significativamente la precisión de detección en escenarios complejos de desinformación. Además, extendemos la evaluación más allá de las métricas de precisión convencionales al incorporar el Coeficiente de Correlación de Matthews (MCC) y la Curva Característica Operativa del Receptor - Área Bajo la Curva (ROC-AUC), asegurando una evaluación robusta e interpretable de la eficacia del modelo. Más allá de los avances técnicos, exploramos las implicaciones éticas de la detección automatizada de desinformación, abordando preocupaciones relacionadas con la censura, el sesgo algorítmico y la compensación entre la moderación de contenido y la libertad de expresión. Esta investigación no solo avanza el panorama metodológico de la detección de noticias falsas, sino que también contribuye al discurso más amplio sobre la salvaguarda de los valores democráticos, la integridad de los medios y el despliegue responsable de la IA en entornos digitales.
Descripción
En la era digital, la rápida proliferación de la desinformación y la información errónea representa un desafío crítico para la confianza social y la integridad del discurso público. Este estudio presenta un marco integral de aprendizaje automático para la detección de noticias falsas, integrando técnicas avanzadas de procesamiento de lenguaje natural y arquitecturas de aprendizaje profundo. Evaluamos rigurosamente un conjunto diverso de modelos de detección a través de múltiples tipos de contenido, incluyendo publicaciones en redes sociales, artículos de noticias y comentarios generados por usuarios. Nuestro enfoque compara sistemáticamente clasificadores tradicionales de aprendizaje automático (Naïve Bayes, SVMs, Random Forest) con modelos de aprendizaje profundo de vanguardia, como CNNs, LSTMs y BERT, mientras incorporamos técnicas de vectorización optimizadas, incluyendo TF-IDF, Word2Vec y embeddings contextuales. A través de una extensa experimentación en múltiples conjuntos de datos, nuestros resultados demuestran que los modelos basados en BERT logran consistentemente un rendimiento superior, mejorando significativamente la precisión de detección en escenarios complejos de desinformación. Además, extendemos la evaluación más allá de las métricas de precisión convencionales al incorporar el Coeficiente de Correlación de Matthews (MCC) y la Curva Característica Operativa del Receptor - Área Bajo la Curva (ROC-AUC), asegurando una evaluación robusta e interpretable de la eficacia del modelo. Más allá de los avances técnicos, exploramos las implicaciones éticas de la detección automatizada de desinformación, abordando preocupaciones relacionadas con la censura, el sesgo algorítmico y la compensación entre la moderación de contenido y la libertad de expresión. Esta investigación no solo avanza el panorama metodológico de la detección de noticias falsas, sino que también contribuye al discurso más amplio sobre la salvaguarda de los valores democráticos, la integridad de los medios y el despliegue responsable de la IA en entornos digitales.