Search academic texts

Information × Registration Number 2125U003175, Article popup.category Бакалаврська робота Title Система виявлення фейкових новин з використанням методів машинного навчання (AI translated) popup.author Мельникова Катерина ОлександрівнаMelnykova Kateryna Oleksandrivna popup.publication 01-01-2025 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/76329 popup.publisher Київ Description Система виявлення фейкових новин з використанням методів машинного навчання. Проєкт містить 68 с. тексту, 22 рисунки, 1 таблицю, посилання на 15 літературних джерел, додатки та 4 конструкторські документи. Об'єктом дослідження є інформаційна система для автоматичного виявлення фейкових новин на основі аналізу текстових даних. Метою роботи є підвищення точності автоматичної класифікації новин на достовірні та фейкові за допомогою сучасних методів машинного навчання. У дипломному проєкті розроблено та порівняно ефективність класичних моделей (Naive Bayes, Logistic Regression, SVM, Random Forest) і нейронних мереж (LSTM, GRU, Bi-LSTM) для задачі виявлення фейкових новин. Реалізовано повний цикл обробки даних: очищення тексту, векторизація (TF-IDF), токенізація, підготовка до навчання та оцінювання результатів за допомогою метрик точності, повноти та F1-міри. Також було розроблено зручний вебінтерфейс для взаємодії користувача з системою. Результати дипломного проєкту можуть бути використані в медіасервісах, агрегаторах новин або фактчекінгових платформах для автоматичного попереднього фільтрування потенційно фейкової інформації. Fake news detection system using machine learning methods. The project consists of 68 pages of text, 22 figures, 1 table, references to 15 literary sources, appendices, and 4 design documents. The object of the study is an information system for automatic fake news detection based on text data analysis. The aim of the project is to improve the accuracy of automatic classification of news as true or fake using modern machine learning methods. The thesis develops and compares the effectiveness of classical models (Naive Bayes, Logistic Regression, SVM, Random Forest) and neural networks (LSTM, GRU, Bi-LSTM) for the task of fake news detection. A complete data processing pipeline is implemented: text cleaning, vectorization (TF-IDF), tokenization, training preparation, and result evaluation using precision, recall, accuracy and F1-score metrics. A userfriendly web interface was also developed to enable user interaction with the system. The results of this thesis can be applied in media services, news aggregators, or fact-checking platforms to automatically pre-filter potentially fake information. popup.nrat_date 2025-11-05 Close