Automatización del Fact-Checking en Redes Sociales en Ecuador con PLN, Scraping y Microservicios Automation Of Fact-Checking on Social Media in Ecuador with NLP, Scraping and Microservices
Barra lateral del artículo
Contenido principal del artículo
Resumen
La infoxicación generada por la circulación de noticias falsas y desinformación en redes sociales ha incrementado la presión sobre los verificadores de datos, que deben procesar grandes cantidades de contenido en tiempos cada vez más cortos. En este contexto, el proyecto FCI “Automatización del proceso de verificación de hechos utilizando técnicas de procesamiento de lenguaje natural para verificadores de datos del país como herramienta para combatir la infoxicación” articula una serie de trabajos orientados a desarrollar una solución modular de apoyo al fact-checking en Ecuador. El objetivo de este artículo es sintetizar los principales aportes de cuatro trabajos que conforman dicho ecosistema, iniciado con la construcción de un conjunto de datos de tweets publicados por verificadoras acreditadas por la IFCN, seguido del diseño de un módulo de análisis de sentimientos basado en BERT en español, posteriormente la implementación de un componente de web scraping para la recuperación de fuentes y la integración de estos módulos en una aplicación web basada en microservicios. Metodológicamente, se adopta un enfoque de desarrollo tecnológico que combina técnicas de procesamiento de lenguaje natural, web scraping e ingeniería de software, complementadas con pruebas unitarias e integración. Los resultados evidencian que el modelo de análisis de sentimientos y el módulo de web scraping alcanzan desempeños adecuados para un entorno experimental, mientras que la baja tasa de fallos en las pruebas del sistema global confirma la viabilidad técnica de la arquitectura propuesta. Este ecosistema modular constituye una base prometedora para futuros despliegues piloto con verificadores de datos ecuatorianos.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Amri, S., & Aïmeur, E. (2024). AFCC: Automatic fact-checkers’ consensus and credibility assessment for fake news detection. International Journal of Information Technology, 16, 4733–4748. https://doi.org/10.1007/s41870-024-01956-1
Barreiro, A. V. (2024). Implementación de una aplicación web con microservicios para el proceso de verificación de hechos y noticias en la red social X. [Tesis de titulación, Universidad de Guayaquil]. https://repositorio.ug.edu.ec/items/6f2fdd6c-06b6-4a4e-b3b0-a3a11ea09ee9
Beer, D., & Matthee, M. (2020). Approaches to identify fake news: A systematic literature review. En T. Ahram (Ed.), Integrated Science in Digital Age 2020 (pp. 13–22). Springer. https://doi.org/10.1007/978-3-030-49264-9_2
Blanco-Fernández, Y., Otero-Vizoso, J., Gil-Solla, A., & García-Duque, J. (2024). Enhancing misinformation detection in Spanish language with deep learning: BERT and RoBERTa transformer models. Applied Sciences, 14(21), 9729. https://doi.org/10.3390/app14219729
Brandtzaeg, P. B., & Følstad, A. (2017). Trust and distrust in online fact-checking services. Communications of the ACM, 60(9), 65–71. https://doi.org/10.1145/3122803
Brandtzaeg, P. B., Følstad, A., & Chaparro Domínguez, M. Á. (2018). How journalists and social media users perceive online fact-checking and verification services. Journalism Practice, 12(9), 1109–1129. https://doi.org/10.1080/17512786.2017.1363657
Cavus, N., Oktekin, B., & Goksu, M. (2025). A Cloud-Based Sentiment Analysis System with a BERT Algorithm for Fake News on Twitter. Applied Sciences, 15(20), 11046. https://doi.org/10.3390/app152011046
Cercado, J. R. (2023). Recopilación y extracción de tweets realizados por las verificadoras acreditadas en el Ecuador por la IFCN [Tesis de titulación, Universidad de Guayaquil]. https://repositorio.ug.edu.ec/items/917da761-19b3-43b3-8a12-3266fd48058c
Harris, S., Hadi, H. J., Ahmad, N., & Alshara, M. A. (2024). Fake news detection revisited: An extensive review of theoretical frameworks, dataset assessments, model constraints, and forward-looking research agendas. Technologies, 12(11), 222. https://doi.org/10.3390/technologies12110222
Huertas-Tato, J., Martín-García, A., & Camacho, D. (2023). BERTuit: Understanding Spanish language in Twitter with transformers. Expert Systems, 40(9), e13404. https://doi.org/10.1111/exsy.13404
Jiménez, K. O. (2023). Análisis de sentimientos de las noticias comprobadas en Twitter por las verificadoras acreditadas en Ecuador utilizando procesamiento de lenguaje natural. [Tesis de titulación, Universidad de Guayaquil]. https://repositorio.ug.edu.ec/items/a249c06b-a21d-4fc3-9d74-13569b84e3b7
La Barbera, D., Maddalena, E., Soprano, M., Roitero, K., et al. (2024). Crowdsourced fact-checking: Does it actually work?. Information Processing & Management, 61, 103792. https://doi.org/10.1016/j.ipm.2024.103792
Lazarski, E., Al-Khassaweneh, M., & Howard, C. (2021). Using NLP for fact checking: A survey. Designs, 5(3), 42. https://doi.org/10.3390/designs5030042
Lavilles, R. Q., Naga, J. F., Tinam-isan, M. A. C., Perez, J. E., & Palad, E. B. B., et al. (2023). Information verification practices and perception of social media users on fact-checking services. Journal of Information Science Theory and Practice. 11(1). 1-13. https://doi.org/ 10.1633/JISTaP.2023.11.1.1
Liu, Y., Shen, X., Zhang, Y. et al. (2025). A systematic review of machine learning approaches for detecting deceptive activities on social media: methods, challenges, and biases. Int J Data Sci Anal 20, 6157–6182. https://doi.org/10.1007/s41060-025-00850-8
Mora, S. C. (2023). Uso de crowdsoursing y web scraping para el análisis de las fuentes, texto y contexto en las noticias realizadas en Twitter por las verificadoras acreditadas en el Ecuador por la IFCN. [Tesis de titulación, Universidad de Guayaquil]. https://repositorio.ug.edu.ec/items/a8331bf2-ce55-4900-bfec-50cf1abbcf13
Oeldorf-Hirsch, A., Schmierbach, M., Appelman, A., & Boyle, M. P. (2020). The Ineffectiveness of Fact-Checking Labels on News Memes and Articles. Mass Communication and Society, 23(5), 682–704. https://doi.org/10.1080/15205436.2020.1733613.