Aplicación de machine learning a la detección de fake news

Abstract

Los medios digitales han logrado un notable crecimiento en el último tiempo impulsado por la masificación de internet y los dispositivos móviles, proporcionando un canal de información más para la producción, difusión y consumo de noticias por parte de las personas y las empresas. Sin embargo, como contrapartida, también se ha convertido en un medio propicio para la propagación de información falsa, popularmente conocidas por el término fake news, con un impacto significativo en la toma de decisiones de los usuarios. En este contexto, la Inteligencia Artificial, y particularmente las técnicas de minería de texto basadas en aprendizaje automático han ganado gran popularidad gracias a los resultados alentadores que han obtenido en la lucha contra esta problemática. A pesar de los avances logrados, varios estudios coinciden en que la tarea de detección automática de fake news continúa siendo un tema desafiante para la comunidad científica debido a que presentan características complejas que dificultan la aplicación efectiva de muchas soluciones existentes. El objetivo general de este trabajo es explorar las bases teóricas de las técnicas utilizadas en minería de texto y su aplicación al problema de detección de fake news a fin de contribuir al desarrollo de nuevas soluciones en este campo. Para lograr esto, esta tesis presenta un estudio de desempeño de un algoritmo base para el problema de detección de fake news, evaluando diversos ensayos que combinan diferentes configuraciones de hiperparametros y distintas técnicas de selección de características. Además, también se aplican diferentes técnicas de procesamiento de lenguaje natural sobre un dataset de noticias, analizando la relevancia de cada una. Finalmente, se elabora un cuadro comparativo que permite visualizar el impacto de las distintas configuraciones, midiendo accuracy, precision, recall y f1-measure.