Modèles de détection automatique des fausses nouvelles basés sur l’intelligence artificielle

Abstract

L’objectif de cette thèse est d’apporter des contributions significatives à la détection automatique des fausses nouvelles, en proposant un modèle innovant qui combine des techniques avancées de traitement du langage naturel et des architectures de réseaux neuronaux. Face à la diffusion rapide et massive de fausses informations sur Internet, ce travail s’attaque aux limites des approches existantes en termes de précision, d’efficacité et d’adaptabilité aux différents contextes. Après une définition générale et bien détaillé de fausses informations et de procédure de détections, une analyse comparative approfondie des méthodes actuelles de machine Learning et de deep learning sur plusieurs jeux de données en appliquant les techniques d’extraction de traitement du langage naturel, nous avons développé un modèle hybride combinant les réseaux neuronaux convolutifs, les réseaux à mémoire à long terme bidirectionnels et les réseaux attentionnels hiérarchiques. Ce modèle permet de capturer à la fois les dépendances locales et globales dans les données textuelles, tout en offrant une meilleure interprétabilité et robustesse face aux variations des jeux de données. Les résultats expérimentaux montrent que cette approche améliore significativement la précision de la détection des fausses nouvelles, ouvrant des perspectives pour des applications dans des domaines critiques tels que la finance, la santé, et la sécurité.