El aumento de noticias falsas se ha convertido en un problema crítico para la integridad de la información, particularmente en idiomas de bajos recursos, que a menudo carecen de datos digitales y herramientas suficientes para modelos de aprendizaje automático (ML) y aprendizaje profundo (DL). Esta revisión sistemática examina la eficacia de las técnicas de ML y DL en la detección de noticias falsas en múltiples idiomas, con un énfasis particular en la brecha de investigación relacionada con los idiomas de bajos recursos, en contraste con los extensos estudios centrados en el inglés monolingüe. Realizamos una búsqueda exhaustiva en varias bases de datos, filtrando 1,567 registros e incluyendo 85 estudios en nuestro análisis final, basado en criterios de inclusión y exclusión bien definidos. Además, la revisión explora diversas definiciones de noticias falsas y rumores, conjuntos de datos disponibles públicamente, y herramientas de evaluación comúnmente utilizadas en métodos de detección. Proporcionamos un análisis exhaustivo tanto de técnicas tradicionales como avanzadas de ML y DL, destacando los desafíos clave y las posibles vías para futuras investigaciones. Si bien estos modelos avanzados han conducido a mejoras significativas, no están exentos de limitaciones. Por ejemplo, los modelos de transformadores, a pesar de su poder, pueden inadvertidamente capturar sesgos de los datos de entrenamiento, afectando potencialmente su rendimiento en diferentes dominios o idiomas. Los modelos híbridos, aunque mejoran las capacidades, pueden enfrentar desafíos relacionados con los costos computacionales y la escalabilidad. Además, la dependencia de grandes conjuntos de datos y arquitecturas complejas puede limitar la practicidad de estos modelos para la detección de noticias falsas (FND) en entornos de bajos recursos o aplicaciones en tiempo real. En consecuencia, aunque la integración de modelos avanzados y características ha mejorado la FND, se necesita continuar la investigación para abordar estos desafíos y mejorar la aplicabilidad del modelo en contextos diversos. El trabajo futuro debería centrarse en mitigar sesgos, mejorar la eficiencia del modelo y desarrollar métodos para adaptar estos modelos a entornos de menores recursos y escenarios en tiempo real. Este estudio proporciona una hoja de ruta completa para futuras investigaciones destinadas a superar estos desafíos y avanzar en la FND en diversos contextos lingüísticos.
Alghamdi et al. (Sun,) estudiaron esta cuestión.