Implementa y compara diferentes recursos de comprobación y modelos de Deep Learning como son Redes Transformers: BERT, RoBERTa, GPT-3, DistilBERT, XLNet, para la detección de noticias falsas y discurso de odio utilizando conjuntos de datos específicos para cada tipo de contenido. CSMJ.
En estos tiempos, la difusión de noticias falsas y discursos de odio en las diferentes plataformas de redes sociales han dominado el impacto para la libertad social y la perseverancia pública. La propagación de este tipo de contenido se ve renovada con la velocidad con la que esta información se com...
Gorde:
| Egile nagusia: | |
|---|---|
| Beste egile batzuk: | , |
| Formatua: | bachelorThesis |
| Argitaratua: |
2025
|
| Gaiak: | |
| Sarrera elektronikoa: | https://repositorio.espe.edu.ec/handle/21000/44992 |
| Etiketak: |
Etiketa erantsi
Etiketarik gabe, Izan zaitez lehena erregistro honi etiketa jartzen!
|
Etiketa erantsi | Gaia: | En estos tiempos, la difusión de noticias falsas y discursos de odio en las diferentes plataformas de redes sociales han dominado el impacto para la libertad social y la perseverancia pública. La propagación de este tipo de contenido se ve renovada con la velocidad con la que esta información se comparte en plataformas digitales y el problema en los usuarios para que puedan saber que contenido es cierto. Para acercarse a esta gran problemática, se realizará un estudio donde se efectúan y comparan varios modelos de Deep Learning, como BERT, RoBERTa, GPT-3, DistilBERT y XLNet, con el propósito de encontrar y categorizar noticias falsas y discursos de odio de forma eficaz. Se utilizó una metodología determinada en CRISP-DM para establecer el proceso del progreso y estimación de los modelos, generando una mejor orientación para la preparación de los datos, elaborando y apreciar cada uno de los algoritmos. La respuesta conseguida que se pueden apreciar en cada uno de los modelos desarrollados permite visualizar un alto nivel de exactitud en los hallazgos de fake news y hate speech, recalcando aquellos que se establecen en los modelos transformadores por su enorme capacidad de alcanzar el argumento del lenguaje. La ejecución de estos modelos accede a optimizar en gran cantidad el proceso de datos para su caracterización y reducción de contenido dañino en redes sociales, ayudando así a la reducción perjudicial de la desinformación. |
|---|