پارسا اقاعلي

Rumor Detection on Twitter Using Classical TF-IDF-Based Approaches an‎d a Zero-Shot Model

در سال‌هاي اخير با گسترش وابستگي كاربران به شبكه‌هاي اجتماعي، انتشار اطلاعات نادرست يا شايعه به چالشي جدي تبديل شده است. در اين پژوهش، مسئله‌ي تشخيص شايعه در توييتر به‌صورت يك طبقه‌بندي چهارتايي (درست، نادرست، تأييدنشده و غيرشايعه) بررسي شده است. براي ارزيابي، از دو مجموعه‌داده‌ي مرجع Twitter15/16 و PHEME استفاده شد. پس از پيش‌پردازش متون، بازنمايي داده‌ها با TF-IDF واژه‌اي و كاراكتري انجام و سه طبقه‌بند كلاسيك شامل SVM، رگرسيون لجستيك و مكمل بيز ساده آموزش داده شدند. معيارهاي ارزيابي Accuracy و Macro-F1 در نظر گرفته شد. نتايج نشان داد مدل SVM بهترين عملكرد را دارد (در Twitter15/16 با Accuracy=85.8% و Macro-F1=85.6%). اين يافته‌ها نشان مي‌دهد رويكردهاي كلاسيك با تنظيم مناسب همچنان رقابتي‌اند. در ادامه نيز رويكرد Zero-Shot با استفاده از Microsoft Copilot براي مقايسه‌ي عملكرد بررسي گرديد

تشخيص شايعه , توييتر , يادگيري ماشين , شبكه‌هاي اجتماعي , TF-IDF , مدل Zero-Shot