| Form of studies |
Bachelor |
| Title of the study programm |
Computer Systems |
| Title in original language |
Mākslīgā intelekta pieeju izvērtēšana dezinformācijas atklāšanai tiešsaistes saturā |
| Title in English |
Evaluating AI-Based Approaches for Detecting Misinformation in Online Content |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Padmaraj Nidagundi |
| Reviewer |
Mārtiņš Ekmanis |
| Abstract |
Digitālo mediju platformu straujā izaugsme ir veicinājusi dezinformācijas izplatību, kas apdraud tradicionālās satura moderācijas ilgtspējību. Tādēļ automātiska dezinformācijas atklāšana ir kļuvusi par svarīgu pētījumu jomu, kurā galveno lomu spēlē mākslīgais intelekts. Šajā darbā tiek pārskatīti esošie pētījumi par dezinformācijas atklāšanu, koncentrējoties uz to, kā izplatās nepatiesa informācija, galvenajiem dezinformācijas veidiem un uz mākslīgo intelektu balstītu atklāšanas pieeju evolūciju. Tiek analizēti tradicionālie mašīnmācīšanās klasifikatori, dziļās mācīšanās modeļi un modernie transformatoru modeļi.
Šajā darbā tiek pārskatīti izveidoti etalonu datu kopumi un faktu pārbaudes resursi, piemēram, LIAR, FEVER, FakeNewsNet, un WELFake, norādot to stiprās un vājās puses (Wang, 2017; Thorne et al., 2018; Shu et al., 2020; Verma et al., 2021). Papildus tam tiek apspriestas tādas galvenās problēmas kā sarkasma noteikšana, konteksta manipulācija, naidīga pārrakstīšana un daudzvalodu dezinformācija (Zhou & Zafarani, 2020; Strubell et al., 2019; Saeidnia et al., 2025).
Pētījuma eksperimentā tiek izmantots WELFake etalona datu kopums, kas sastāv no 72 134 garas formas ziņu rakstiem ar līdzsvarotām viltus un īstām etiķetēm, ļaujot analizēt, cik labi modeļi atklāj maldinošu saturu pilnos ziņu rakstos, nevis īsos apgalvojumos (Verma et al., 2021).
Pētījuma eksperimentālajā daļā WELFake etalona datu kopā tiek apmācīti un analizēti trīs reprezentatīvi modeļi – XGBoost, Bi-LSTM un ModernBERT. Visi modeļi tiek apmācīti un testēti konsekventos apstākļos lokālā aparatūrā. Novērtēšanas sistēma mēra klasifikācijas precizitāti, precizitāti, F1 rādītāju, secinājumu latentumu un noturību pret semantiski sarežģītiem datiem. Tas ļauj tieši un praktiski salīdzināt modeļus dažādās metodoloģiskajās paaudzēs.
Disertācija kopumā sastāv no 75 lappusēm, kurās iekļautas 6 tabulas, 6 attēli un 46 avoti. |
| Keywords |
Atslēgvārdi: dezinformācijas atklāšana, viltus ziņas, mākslīgais intelekts, transformatoru modeļi, faktu pārbaude, automatizēta faktu pārbaude, WELFake, XGBoost, Bi-LSTM, ModernBERT. |
| Keywords in English |
Keywords: Misinformation detection, Fake news, Artificial intelligence, Transformer models, Fact verification, Automated Fact-Checking, WELFake, XGBoost, Bi-LSTM, ModernBERT. |
| Language |
eng |
| Year |
2026 |
| Date and time of uploading |
26.05.2026 21:48:41 |
