Le volume considérable d’informations produites chaque jour rend difficile la distinction entre les vraies et les fausses nouvelles, mais les progrès dans traitement du langage naturel (TAL) présenter une solution possible.
À l’ère numérique d’aujourd’hui, la diffusion d’informations via les médias sociaux et les plateformes Internet a donné aux gens le pouvoir d’accéder à des informations provenant de nombreuses sources différentes. La croissance des fake news, quant à elle, est un inconvénient de cette indépendance. Les fausses nouvelles sont des informations inexactes qui ont été délibérément diffusées pour semer la confusion dans l’esprit du public et saper la confiance dans un journalisme de bonne réputation. Maintenir une communauté mondiale informée et unie nécessite d’identifier et d’éliminer les fausses nouvelles.
PNL, un sous-domaine de intelligence artificielle, donne aux ordinateurs la capacité de comprendre et d’interpréter le langage humain, ce qui en fait un outil crucial pour identifier les informations trompeuses. Cet article examine comment la PNL peut être utilisée pour identifier les fausses nouvelles et donne des exemples de la façon dont elle peut être utilisée pour découvrir des données trompeuses.
Analyse sentimentale
Pour identifier les fausses nouvelles, l’analyse des sentiments à l’aide de la PNL peut être une stratégie efficace. Les algorithmes de la PNL peuvent déterminer l’intention et les préjugés d’un auteur en analysant les émotions affichées dans un reportage ou une publication sur les réseaux sociaux. Les fausses nouvelles exploitent souvent les émotions des lecteurs en utilisant un langage fort ou exagéré.
Extraction de phrases d’opinion à partir d’avis d’utilisateurs avec Stanford CoreNLP http://t.co/t6VIzfNRfz #machinelearning #pnl pic.twitter.com/RHiTl40Q7c
– Julian Hillebrand (@JulianHi) 11 septembre 2014
Un article d’actualité couvrant un incident politique, par exemple, peut être identifié par un modèle d’analyse des sentiments basé sur la PNL comme étant significativement biaisé en faveur d’un parti spécifique et utilisant un langage chargé d’émotion pour affecter l’opinion publique.
En rapport: 5 bibliothèques de traitement du langage naturel (NLP) à utiliser
Analyse sémantique et vérification des faits
Pour confirmer l’exactitude du matériel, les outils de vérification des faits pilotés par la PNL peuvent analyser le contenu d’un article d’actualité par rapport à des sources ou des bases de données fiables. En mettant en évidence les incohérences et les contradictions qui peuvent indiquer de fausses nouvelles, l’analyse sémantique aide à comprendre le sens et le contexte du langage utilisé.
Un système de vérification des faits basé sur la PNL, par exemple, peut instantanément recouper l’affirmation d’un article de presse selon laquelle une célébrité bien connue approuve un produit litigieux avec des sources fiables pour vérifier sa véracité.
Reconnaissance d’entité nommée (NER)
En NLP, la reconnaissance d’entités nommées (NER) permet aux ordinateurs de reconnaître et de catégoriser des entités particulières référencées dans un texte, telles que des individus, des groupes, des lieux ou des dates. En identifiant les acteurs importants, les fausses nouvelles peuvent être démystifiées en découvrant des contradictions ou des informations inventées.
Named Entity Recognition (NER) identifie et classe les entités dans le texte.
Vous pouvez extraire des informations structurées pour la recherche d’informations et la gestion des connaissances.
— Simform (@simform) 31 juillet 2023
Des exemples d’organisations ou de lieux inexistants que les algorithmes NER peuvent mettre en évidence comme des signes potentiels de fausses nouvelles sont des mentions dans des articles de presse sur de prétendues catastrophes environnementales.
Reconnaître le sensationnalisme et le clickbait
Les modèles de PNL peuvent être formés pour repérer le langage sensationnaliste et les gros titres de clickbait, qui sont tous deux caractéristiques des fausses nouvelles. Ces méthodes peuvent aider à filtrer les fausses informations et à classer les sources d’informations fiables.
Par exemple, les phrases sensationnelles et les affirmations gonflées qui accompagnent fréquemment les articles de clickbait peuvent être trouvées en analysant les titres et le contenu à l’aide d’un algorithme basé sur la PNL.
En rapport: 5 tendances émergentes en apprentissage profond et en intelligence artificielle
Évaluation de la fiabilité de la source
Les méthodes NLP sont capables d’analyser les informations historiques sur les organisations de presse, telles que leur position, leur fiabilité et l’exactitude des rapports historiques. Ces données peuvent être utilisées pour évaluer la validité du nouveau contenu et repérer les sources potentielles de fausses nouvelles.
Par exemple, un système basé sur la PNL peut évaluer la légitimité d’un site Web moins connu qui a publié un reportage surprenant avant de juger le contenu fiable.
