적은 비용으로 정보의 생성, 수집, 교환을 가능하게 해주는 인터넷은 대중이 허위 정보의 위험에 노출되게 할 수도 있다. 허위 정보 중에서도 가짜뉴스는 뉴스 콘텐츠 형식을 가장하고 중요한 사건이 발생할 때마다 등장하여 사회적 혼란을 초래한다. 가짜뉴스는 그 영향력을 생각하였을 때 다른 허위 정보들과 구분하여 대응할 필요가 있다. 가짜뉴스를 탐지하기 위한 노력은 최근 새로운 국면을 맞이하고 있다. 인공지능 분야에서 우수한 성능을 보이는 ...
적은 비용으로 정보의 생성, 수집, 교환을 가능하게 해주는 인터넷은 대중이 허위 정보의 위험에 노출되게 할 수도 있다. 허위 정보 중에서도 가짜뉴스는 뉴스 콘텐츠 형식을 가장하고 중요한 사건이 발생할 때마다 등장하여 사회적 혼란을 초래한다. 가짜뉴스는 그 영향력을 생각하였을 때 다른 허위 정보들과 구분하여 대응할 필요가 있다. 가짜뉴스를 탐지하기 위한 노력은 최근 새로운 국면을 맞이하고 있다. 인공지능 분야에서 우수한 성능을 보이는 딥러닝은 현실에서의 다양한 문제를 해결하고 있으며, 그래픽 처리 장치의 범용 계산(General-Purpose computing on Graphics Processing Units, GPGPU), 텐서 처리 장치(Tensor Processing Unit, TPU) 등의 발전으로 컴퓨터 연산 성능이 대폭 개선됨에 따라 더욱 복잡한 문제에서도 뛰어난 해결 능력을 보이게 되었다. 딥러닝은 가짜뉴스를 탐지하기 위한 연구에도 적극적으로 활용되고 있다. 자연어 처리(Natual Language Processing, NLP)를 통해 가짜뉴스를 자동으로 인지 및 차단하거나, 네트워크 인과 추론과 결합함으로써 허위 정보를 확산시키는 소셜미디어 인플루언스 계정을 감지하는 등의 가짜뉴스 탐지 접근법이 딥러닝을 통해 구현될 수 있었다. 그러나 가짜뉴스 탐지는 여러 NLP 분야 중에서도 해결이 어려운 문제로 분류된다. 가짜뉴스가 가지는 형식 및 표현의 다양성으로 특성 추출의 난도가 높고, 뉴스가 속한 범주에 따라 하나의 특성이 서로 다른 의미를 가질 수도 있는 등 다양한 한계점이 존재한다. 본 논문에서는 가짜뉴스를 탐지하기 위한 추가적인 식별 기준으로 감성 변화 패턴을 제시한다. 합성곱 신경망(Convolutional Neural Networks, CNN)을 가짜뉴스 데이터 세트에 적용하여 콘텐츠 특성에 기반한 분석을 수행하고, 감성 변화 패턴을 추가로 분석함으로써 성능이 개선된 모델을 제안한다. 선행 연구에 의하면 가짜뉴스 유포자는 허위 정보를 통해 의도적으로 독자의 불안을 부추기고, 가짜뉴스에 노출된 뉴스 수용자는 불확실성 지각을 통해 뉴스에 대한 의심을 형성하는 등 가짜뉴스와 감성의 연관성이 확인되고 있다. 그러므로 감성 패턴의 분석은 가짜뉴스를 구분할 수 있는 중요한 통찰력을 제공해줄 수 있을 것으로 판단된다. 뉴스를 구성하는 문장에 대하여 감성 극성을 산출하고 장단기 메모리(Long Short-Term Memory, LSTM)를 적용함으로써 문장 순서에 의존적인 결괏값을 얻을 수 있다. 이를 감성 변화의 패턴으로 정의하고 뉴스의 콘텐츠 특성과 결합하여 가짜뉴스 탐지를 위한 제안 모델의 독립변수로 활용한다. 제안 모델과 비교 모델을 딥러닝으로 학습시키고 가짜뉴스 데이터 세트를 이용한 실험을 진행하여 감성 변화 패턴이 가짜뉴스 탐지 성능을 개선할 수 있음을 확인한다.
적은 비용으로 정보의 생성, 수집, 교환을 가능하게 해주는 인터넷은 대중이 허위 정보의 위험에 노출되게 할 수도 있다. 허위 정보 중에서도 가짜뉴스는 뉴스 콘텐츠 형식을 가장하고 중요한 사건이 발생할 때마다 등장하여 사회적 혼란을 초래한다. 가짜뉴스는 그 영향력을 생각하였을 때 다른 허위 정보들과 구분하여 대응할 필요가 있다. 가짜뉴스를 탐지하기 위한 노력은 최근 새로운 국면을 맞이하고 있다. 인공지능 분야에서 우수한 성능을 보이는 딥러닝은 현실에서의 다양한 문제를 해결하고 있으며, 그래픽 처리 장치의 범용 계산(General-Purpose computing on Graphics Processing Units, GPGPU), 텐서 처리 장치(Tensor Processing Unit, TPU) 등의 발전으로 컴퓨터 연산 성능이 대폭 개선됨에 따라 더욱 복잡한 문제에서도 뛰어난 해결 능력을 보이게 되었다. 딥러닝은 가짜뉴스를 탐지하기 위한 연구에도 적극적으로 활용되고 있다. 자연어 처리(Natual Language Processing, NLP)를 통해 가짜뉴스를 자동으로 인지 및 차단하거나, 네트워크 인과 추론과 결합함으로써 허위 정보를 확산시키는 소셜미디어 인플루언스 계정을 감지하는 등의 가짜뉴스 탐지 접근법이 딥러닝을 통해 구현될 수 있었다. 그러나 가짜뉴스 탐지는 여러 NLP 분야 중에서도 해결이 어려운 문제로 분류된다. 가짜뉴스가 가지는 형식 및 표현의 다양성으로 특성 추출의 난도가 높고, 뉴스가 속한 범주에 따라 하나의 특성이 서로 다른 의미를 가질 수도 있는 등 다양한 한계점이 존재한다. 본 논문에서는 가짜뉴스를 탐지하기 위한 추가적인 식별 기준으로 감성 변화 패턴을 제시한다. 합성곱 신경망(Convolutional Neural Networks, CNN)을 가짜뉴스 데이터 세트에 적용하여 콘텐츠 특성에 기반한 분석을 수행하고, 감성 변화 패턴을 추가로 분석함으로써 성능이 개선된 모델을 제안한다. 선행 연구에 의하면 가짜뉴스 유포자는 허위 정보를 통해 의도적으로 독자의 불안을 부추기고, 가짜뉴스에 노출된 뉴스 수용자는 불확실성 지각을 통해 뉴스에 대한 의심을 형성하는 등 가짜뉴스와 감성의 연관성이 확인되고 있다. 그러므로 감성 패턴의 분석은 가짜뉴스를 구분할 수 있는 중요한 통찰력을 제공해줄 수 있을 것으로 판단된다. 뉴스를 구성하는 문장에 대하여 감성 극성을 산출하고 장단기 메모리(Long Short-Term Memory, LSTM)를 적용함으로써 문장 순서에 의존적인 결괏값을 얻을 수 있다. 이를 감성 변화의 패턴으로 정의하고 뉴스의 콘텐츠 특성과 결합하여 가짜뉴스 탐지를 위한 제안 모델의 독립변수로 활용한다. 제안 모델과 비교 모델을 딥러닝으로 학습시키고 가짜뉴스 데이터 세트를 이용한 실험을 진행하여 감성 변화 패턴이 가짜뉴스 탐지 성능을 개선할 수 있음을 확인한다.
The Internet, which enables the creation, collection and exchange of information at low cost, may expose the public to the risk of disinformation. Among false information, fake news pretends to be in the form of news content and appears whenever important events occur, causing social confusion. When...
The Internet, which enables the creation, collection and exchange of information at low cost, may expose the public to the risk of disinformation. Among false information, fake news pretends to be in the form of news content and appears whenever important events occur, causing social confusion. When considering its influence, fake news needs to be responded separately from other false information. Efforts to detect fake news have recently taken a new turn. Deep learning, which shows excellent performance in the field of artificial intelligence, solves various problems in reality, and shows excellent resolution even in more complex problems as advances in general-purpose computing on graphics processing units (GPGPU) and tensor processing units (TPU) have improved significantly. Deep learning is also actively used in research to detect fake news. Fake news detection approaches, such as automatically recognizing and blocking fake news through natural language processing (NLP), and detecting social media influencer accounts that spread disinformation by combining it with network causal inference It could be implemented through deep learning. However, detection of fake news is classified as a difficult problem among many NLP fields. Due to the diversity of forms and expressions of fake news, the difficulty of extracting features is high, and there are various limitations, such as a single feature may have different meanings depending on the category to which the news belongs. In this paper, emotional change patterns are presented as an additional identification criterion for detecting fake news. We propose a model with improved performance by applying Convolutional Neural Networks (CNN) to fake news datasets to perform content characteristics-based analysis and further analyze emotional change patterns. Previous studies have confirmed the connection between fake news and emotion, such as intentionally encouraging readers' anxiety through false information, and news audiences exposed to fake news form doubts about the news through perception of uncertainty. Therefore, it is judged that the analysis of emotional patterns can provide important insights to distinguish fake news. By calculating the emotional polarity of the sentences constituting the news and applying Long Short-Term Memory (LSTM), a result value dependent on the sentence order can be obtained. We define this as a pattern of emotional change, combine it with the content characteristics of news, and use it as an independent variable in the proposed model for detecting fake news. By training the proposed model and the comparative model through deep learning and conducting an experiment using the fake news dataset, it is confirmed that the emotional change pattern can improve the fake news detection performance.
The Internet, which enables the creation, collection and exchange of information at low cost, may expose the public to the risk of disinformation. Among false information, fake news pretends to be in the form of news content and appears whenever important events occur, causing social confusion. When considering its influence, fake news needs to be responded separately from other false information. Efforts to detect fake news have recently taken a new turn. Deep learning, which shows excellent performance in the field of artificial intelligence, solves various problems in reality, and shows excellent resolution even in more complex problems as advances in general-purpose computing on graphics processing units (GPGPU) and tensor processing units (TPU) have improved significantly. Deep learning is also actively used in research to detect fake news. Fake news detection approaches, such as automatically recognizing and blocking fake news through natural language processing (NLP), and detecting social media influencer accounts that spread disinformation by combining it with network causal inference It could be implemented through deep learning. However, detection of fake news is classified as a difficult problem among many NLP fields. Due to the diversity of forms and expressions of fake news, the difficulty of extracting features is high, and there are various limitations, such as a single feature may have different meanings depending on the category to which the news belongs. In this paper, emotional change patterns are presented as an additional identification criterion for detecting fake news. We propose a model with improved performance by applying Convolutional Neural Networks (CNN) to fake news datasets to perform content characteristics-based analysis and further analyze emotional change patterns. Previous studies have confirmed the connection between fake news and emotion, such as intentionally encouraging readers' anxiety through false information, and news audiences exposed to fake news form doubts about the news through perception of uncertainty. Therefore, it is judged that the analysis of emotional patterns can provide important insights to distinguish fake news. By calculating the emotional polarity of the sentences constituting the news and applying Long Short-Term Memory (LSTM), a result value dependent on the sentence order can be obtained. We define this as a pattern of emotional change, combine it with the content characteristics of news, and use it as an independent variable in the proposed model for detecting fake news. By training the proposed model and the comparative model through deep learning and conducting an experiment using the fake news dataset, it is confirmed that the emotional change pattern can improve the fake news detection performance.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.