چارچوب ترکیبی بهبود‌یافته تشخیص اخبار جعلی مبتنی بر بهینه‌سازی باینری تام و جری و یادگیری متا مبتنی بر استکینگ

با رشد شتابان شبکه‌های اجتماعی و تولید انبوه محتوای خبری توسط کاربران، تشخیص خودکار اخبار جعلی به یکی از چالش‌های محوری در حوزه‌ی هوش مصنوعی و پردازش زبان طبیعی تبدیل شده است. در این پژوهش، یک چارچوب یادگیری ترکیبی نوین جهت تشخیص اخبار جعلی متنی پیشنهاد می‌شود که در آن از الگوریتم فرامتاهیوریستی tom & jerry optimization (tjo) برای انتخاب بهینه ویژگی‌ها و از تلمبارسازی (stacking) چند یادگیرنده‌ی مکمل برای ارتقای تعمیم‌پذیری مدل استفاده شده است. در گام نخست، داده‌های مجموعه‌داده isot پس از نرمال‌سازی و پالایش زبانی، به دو بازنمایی موازی تبدیل می‌شوند: 1 بردارهای tf–idf مبتنی بر n-gram )1 تا 2 ( برای مدل‌های کلاسیک و2: توالی‌های توکن‌شده (tokenized sequences) برای مولفه‌ی یادگیری عمیق. سپس، الگوریتم tjo با جست‌وجوی تصادفی-هدایتی در فضای دودویی ویژگی‌ها و برازندگی مبتنی بر اعتبارسنجی متقاطع پنج‌تایی، زیرمجموعه‌ای بهینه از ویژگی‌های کلیدی را انتخاب می‌کند و ابعاد ورودی را به طور هدفمند کاهش می‌دهد. سه مدل پایه شامل ماشین بردار پشتیبان با هسته‌ی rbf، شبکه پرسپترون چندلایه (mlp) و شبکه عصبی بازگشتی lstm بر روی داده‌های منتخب آموزش یافته و خروجی‌های آن‌ها به عنوان ورودی به یک رگرسیون لجستیک تغذیه می‌شود تا تصمیم نهایی ترکیبی حاصل گردد. نتایج تجربی نشان می‌دهد که چارچوب پیشنهادی در مقایسه با مدل‌های منفرد، در تمام معیارهای ارزیابی عملکرد از جمله دقت (accuracy = 0.9497)، ویژگی(specificity = 0.9606)، بازخوانی (recall = 0.9422)، دقت مثبت (precision = 0.9718)، امتیاز(f1 = 0.9568) و ضریب همبستگی متیوز (mcc = 0.8974) عملکرد بهتری دارد. همچنین نرخ‌های پایین fpr = 0.039 ، fnr = 0.058 و fdr = 0.028 نشان‌دهنده‌ی تعادل مطلوب میان حساسیت و گزینندگی مدل هستند. این نتایج نشان می‌دهد که چارچوب پیشنهادی با بهره‌گیری از انتخاب ویژگی فرامتاهیوریستی و هم‌افزایی میان یادگیرنده‌ها، گزینه‌ای موثر برای سامانه‌های هوشمند راستی‌آزمایی اخبار و فیلترینگ محتوای دیجیتال به‌شمار می‌رود.