Optimización de modelos de PLN para la verificación automática de noticias falsas en entornos digitales Optimization of NLP Models for the Automatic Verification of Fake News in Digital Environments
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este estudio se centra en la optimización de modelos de procesamiento de lenguaje natural (PLN) en un sistema de verificación de noticias falsas. El problema abordado radica en la necesidad de mejorar la precisión y eficacia en la detección de noticias manipuladas, sin modificar la arquitectura original del sistema preexistente. El objetivo principal fue optimizar modelos como BERT, RoBERTa y spaCy, a través de técnicas de fine-tuning y ajuste de hiperparámetros, para mejorar métricas clave como precisión, recall y F1-score en tareas de análisis de sentimientos, emociones, reconocimiento de entidades nombradas (NER) y clasificación de noticias falsas. La metodología empleada fue experimental-comparativa, utilizando un enfoque cuantitativo con datos obtenidos de tweets de verificadores de hechos y Google Fact Check Tools. Se aplicó la metodología CRISP-DM para guiar el proceso de comprensión de los datos, preparación, modelado y evaluación. Los resultados mostraron mejoras significativas en el desempeño de los modelos, con un incremento notable en la precisión y reducción de falsos positivos, lo que contribuyó a una mayor efectividad en la verificación de noticias falsas. El estudio ofrece una base sólida para futuras investigaciones y mejoras en sistemas de verificación automatizada
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Badalotti, D., Agrawal, A., Pensato, U., Angelotti, G., & Marcheselli, S. (2024). Development of a Natural Language Processing (NLP) model to automatically extract clinical data from electronic health records: Results from an Italian comprehensive stroke center. International Journal of Medical Informatics, 105626.
Barros Sanipatin, L., & Barros Sanipatin, P. (2025). VISUALIZACIÓN DE PATRONES DE DESINFORMACIÓN EN ECUADOR MEDIANTE UN DASHBOARD EN POWER
Dalianis, H. (2018). Evaluation metrics and evaluation. En H. Dalianis, Clinical Text Mining: Secondary Use of Electronic Patient Records (págs. 45–53). Springer: Cham.
De la Hoz, F., Beltrán, S., Pérez, R., Parra, C., & Muñoz, M. (Febrero de 2023). A LoRa- Based IoT Environmental Monitoring System for Precision Agriculture in Greenhouses. Obtenido de MDPI (Sensors Journal): https://www.mdpi.com/1424- 8220/23/4/1748
De Magistris, G., Russo, S., Roma, P., Starczewski, J. T., & Napoli, C. (2022). An explainable fake news detector based on named entity recognition and stance classification applied to covid-19. Information, 137.
Ding, N., Qin, Y., Yang, G., Wei, F., Yang, Z., Su, Y., & Sun, M. (2023). Parameter-efficient fine-tuning of large-scale pre-trained language models. Nature Machine Intelligence, 220–235.
Fernández de Sevilla, R. E. (2024). Detección y Clasificación de Fake News mediante Inteligencia Artificial. Madrid.
Francisco, A. F. (2023). Introducción a la minería de texto y análisis de sentimiento con R.
Limencop.
González Carvajal, S., & Garrido Merchán, E. C. (2020). Comparing BERT against traditional machine learning text classification. arXiv (arXiv:2005.13012).
Hamed, S. K., Ab Aziz, M. J., & Yaakub, M. R. (2023). Fake news detection model on social media by leveraging sentiment analysis of news content and emotion analysis of users’ comments. Sensors, 1748.
Howard, J., & Ruder, S. (2018). Universal language model fine-tuning for text classification.
arXiv (arXiv:1801.06146).
Jiménez Olivo, K. A. (2023). ANÁLISIS DE SENTIMIENTOS DE LAS NOTICIAS COMPROBADAS EN TWITTER POR LAS VERIFICADORAS ACREDITADAS EN ECUADOR UTILIZANDO PROCESAMIENTO DE LENGUAJE NATURAL. [Trabajo de titulación, Universidad de Guayaquil]. Repositorio Institucional.
Mosbach, M., Khokhlova, A., Hedderich, M. A., & Klakow, D. (2020). On the interplay between fine-tuning and sentence-level probing for linguistic knowledge in pre- trained transformers. arXiv (arXiv:2010.02616).
Rosa Montoya , E. A., & Vargas Chafle, K. (2025). DESARROLLO DE UN SISTEMA SEMIAUTOMATIZADO DE DETECCIÓN DE NOTICIAS FALSAS MEDIANTE TÉCNICAS DE PROCESAMIENTO DE LENGUAJE NATURAL PARA OPTIMIZAR EL FACT-CHECKING. [Trabajo de titulación, Universidad de Guayaquil]. Repositorio Institucional.
Ruiz, E. G. (2023). Desarrollo de un modelo de Procesamiento del Lenguaje Natural para la extracción de información en documentos del dominio de la salud. En E. G. Ruiz, Desarrollo de un modelo de Procesamiento del Lenguaje Natural para la extracción de información en documentos del dominio de la salud (pág. 59). Universidad de Alicante.
Sabarmathi, K. R., Gowthami, K., & Kumar, S. S. (2021). Fake news detection using machine learning and Natural Language Inference (NLI). IOP Conference Series: Materials Science and Engineering (pág. 012018). IOP Publishing.
Santiago, C. (2021). Clasificación de mensajes dentro de la plataforma Properati: Un abordaje con NLP. Universidad Torcuato Di Tella.
Toapanta Bernabé, M., García Cumbreras, M. Á., & Ureña López, L. A. (2024). Fake News Detection and Fact Checking in X posts from Ecuador Chequea and Ecuador Verifica using Spanish Language Models. Revista Tecnológica-ESPOL, 158–173.
Turchin, A., Masharsky, S., & Zitnik, M. (2023). Comparison of BERT implementations for natural language processing of narrative medical documents. Informatics in Medicine Unlocked, 101139 .
Verdesoto Arguello, A. E., Guevara Alban, G. P., & Castro Molina, N. E. (2020). Metodologías de investigación educativa (descriptivas, experimentales, participativas, y de investigación-acción). "Editorial Saberes del Conocimiento". doi: https://doi.org/10.26820/recimundo/4.(3).julio.2020.163-173
Villegas Merchan, A. E. (2024). RECONOCIMIENTO DE ENTIDADES NOMBRADAS NER PARA LA CLASIFICACIÓN Y ETIQUETADO DE LAS NOTICIAS COMPROBADAS EN X POR LAS VERIFICACIONES ACREDITADAS EN ECUADOR UTILIZANDO PROCESAMIENTO DE LENGUAJE NATURAL. [Trabajo de titulación, Universidad de Guayaquil]. Repositorio Institucional.
Wei, J., Bosma, M., Zhao, V. Y., Guu, K., Yu, A. W., Lester, B., & Le, Q. V. (2021). Finetuned language models are zero-shot learners. arXiv arXiv:2109.0165