Современные подходы к классификации фейковых новостей

В данном исследовании рассматривается задача классификации с целью определения, является ли текст подлинным или фейковым. Используются современные архитектуры глубинного обучения в области обработки естественного языка (NLP) модели BERT, ALBERT и GPT-2. С помощью этих передовых моделей исследование направлено на разработку точных и устойчивых методов классификации для эффективного различения фейковых и реальных новостей. Результаты тестирования показали, что предложенные методы имеют потенциал для применения при различении новостей, содержащих ложную информацию, от тех, что отражают действительность.

1. Saadi A., Enhancing Fake News Detection with Transformer Models and Summarization // Engineering, Technology & Applied Science Research. - 2025. - Vol.15. - No.3. - P.23253-23259.

2. Raza N., Abdulkadir S.J., Abid Y.A., Enhancing fake news detection with transformer-based deep learning: A multidisciplinary approach // Plus One. - 2025. - Vol.20. - No.9.

3. Balmas M. When fake news becomes real: Combined exposure to multiple news sources and political attitudes of inefficacy, alienation, and cynicism // Communication Research. - 2014. - Vol.41. - P.430-454.

4. Nasir J.A., Khan O.S., Varlamis I. Fake news detection: A hybrid CNN–RNN based deep learning approach // International Journal of Information Management Data Insights. - 2021. - Vol.1.

5. Xu K., Wang F., Wang H., Yang B. Detecting fake news over online social media via domain reputations and content understanding // Tsinghua Science and Technology. - 2020. - Vol.25. - P.20-27.

6. Ligthart A., Catal C., Tekinerdogan B. Analyzing the effectiveness of semi-supervised learning approaches for opinion spam classification // Applied Soft Computing. - 2021. - Vol.101.

7. Li J., Lei M. A brief survey for fake news detection via deep learning models // Elsevier. - 2022. - Vol.214. - P.1339-1344.

8. Gupta M., Dennehy D., Parra C.M., Mäntymäki M., Dwivedi Y.K. Fake news believability: The effects of political beliefs and espoused cultural values // Information and Management. - 2022. - Vol.60 - No.103745.

9. Goldani M.H., Momtazi S., Safabakhsh R. Detecting fake news with capsule neural networks // Applied Soft Computing. - 2021. - Vol.101. - No.106991.

10. Meel P., Vishwakarma D.K. Fake news, rumor, information pollution in social media and web: A contemporary survey of state-of-the-arts, challenges and opportunities // Expert Systems with Applications. - 2020. - Vol.153. - No.112986.

11. Kuntur S., Wróblewska A., Paprzycki M., Ganzha M., Under the Influence: A Survey of Large Language Models in Fake News Detection // IEEE Transactions on Artificial Intelligence. - 2025. - Vol.6. - P.458-476.

12. Su J., Cardie C., Nakov P. Adapting Fake News Detection to the Era of Large Language Models // Findings of the Association for Computational Linguistics: NAACL. - 2024. - P.1473-1490.

13. Hu B., Sheng Q., Cao J., Shi Y., Li Y., Wang D., Qi P., Bad Actor, Good Advisor: Exploring the Role of Large Language Models in Fake News Detection // AAAI Technical Track on AI for Social Impact Track. - 2024. - Vol.38. - No.20.

14. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of deep bidirectional transformers for language understanding // North American Chapter of the Association for Computational Linguistics. - 2019. - Vol.45.

15. Sanh V., Debut L., Chaumond J., Wolf T. DistilBERT, a distilled version of BERT: Smaller, faster, cheaper and lighter // Computation and Language [Electronic resource]. - 2019. - Available at: https://arxiv.org/abs/1910.01108 (accessed 19.11.2025).

16. Liu Y., Ott M., Goyal N., Du J., Joshi M., Chen D., Levy O., Lewis M., Zettlemoyer L., Stoyanov V. RoBERTa: A robustly optimized BERT pretraining approach // Computation and Language. [Electronic resource]. - 2019. - Available at: https://arxiv.org/abs/1907.11692 (accessed 19.11.2025)