تشخیص اخبار جعلی با رویکرد ترکیبی مبتنی بر رگرسیون لجستیک و ماشین بردار پشتیبان با بهره‌گیری از ویژگی‌های متنی و آماری

با گسترش شبکه‌های اجتماعی و رسانه‌های آنلاین، انتشار اخبار جعلی به یکی از چالش‌های مهم عصر دیجیتال تبدیل شده است. این پدیده علاوه بر ایجاد اختلال در دسترسی به اطلاعات صحیح، می‌تواند پیامدهای اجتماعی و سیاسی گسترده‌ای به همراه داشته باشد. در این پژوهش، یک مدل ترکیبی مبتنی بر رگرسیون لجستیک و ماشین بردار پشتیبان با رویکرد ترکیبی برای شناسایی اخبار جعلی ارائه شده است. داده‌های مورد استفاده از پایگاه کگل و شامل بیش از 72 هزار نمونه خبر واقعی و جعلی گردآوری شد. پس از پیش‌پردازش شامل پاک‌سازی متن، نرمال‌سازی و ریشه‌یابی، ویژگی‌های متنی با استفاده از روش tf-idf استخراج و برخی ویژگی‌های آماری مانند طول جملات و تعداد واژگان به داده‌ها افزوده شد. این ترکیب از ویژگی‌ها، ورودی غنی‌تری برای مدل فراهم آورد. نتایج ارزیابی نشان داد که مدل پیشنهادی به دقت برابر با 0.96% درصد، امتیاز f1 برابر با 0.96% درصد و مقدار auc معادل 0.99% دست‌یافته است. همچنین تحلیل ماتریس اغتشاش و منحنی roc نشان داد که مدل توانسته است با حداقل خطا در شناسایی اخبار واقعی و جعلی عمل کند و عملکردی متوازن در هر دو کلاس ارائه دهد. این یافته‌ها نشان می‌دهد که استفاده از ترکیب الگوریتم‌های یادگیری ماشین در قالب ترکیبی، همراه با بهره‌گیری از ویژگی‌های متنی و آماری، می‌تواند راهکاری موثر برای مقابله با انتشار اخبار جعلی در فضای مجازی باشد.

fake news detection with a hybrid approach based on logistic regression and support vector machine using textual and statistical features

abstract with the expansion of social networks and online media, the spread of fake news has become one of the major challenges of the digital age. in addition to disrupting access to accurate information, this phenomenon can have wide social and political consequences. in this study, a hybrid model based on logistic regression and support vector machines with a hybrid approach is presented to identify fake news. the data used was collected from the kaggle database and included more than 72 thousand real and fake news samples. after preprocessing including text cleaning, normalization and rooting, text features were extracted using the tf-idf method and some statistical features such as sentence length and word count were added to the data. this combination of features provided a richer input for the model. the evaluation results showed that the proposed model achieved an accuracy of 0.96%, an f1 score of 0.96%, and an auc value of 0.99%. also, the analysis of the disturbance matrix and roc curve showed that the model was able to operate with minimal error in identifying real and fake news and provided a balanced performance in both classes. these findings indicate that the use of a combination of machine learning algorithms in a hybrid format, along with the use of textual and statistical features, can be an effective solution to combat the spread of fake news in cyberspace.