La propagation rapide d'informations trompeuses à travers les récentes technologies de l'information et de la communication (TIC) préjudicie aux conventions sociales et à la crédibilité. Développer des algorithmes fiables capables d'identifier automatiquement le contenu faux devient de plus en plus difficile. Nous étudions une stratégie d'intelligence artificielle (IA) hybride qui intègre l'apprentissage automatique (AA) et l'apprentissage profond (AP) pour améliorer la détection des fausses nouvelles. L'entité d'apprentissage profond du modèle évalue des arrangements de texte restreints et des valeurs de texte inclusives en utilisant un Réseau de Neurones Convolutionnels (RNC) et une Mémoire à Long Court Terme Bidirectionnelle (BiLSTM) avec une couche d'attention. Les classificateurs d'apprentissage automatique conventionnels, principalement la Machine à Vecteurs de Support (MVS), la Forêt Aléatoire (FA) et la Régression Logistique (RL), sont entraînés simultanément en utilisant la Fréquence de Terme–Inverse de Fréquence de Document (TF-IDF). Une simple stratégie de moyenne d'ensemble est utilisée à la fois sur les prédictions d'apprentissage automatique et d'apprentissage profond. Le modèle montre une forte généralisation à travers divers types de texte lorsqu'il est évalué sur le jeu de données LIAR et un jeu de données de fausses nouvelles de style Kaggle. Le système combiné performe de manière nettement meilleure que chacun des modèles séparés en termes de précision, de rappel, de mesure F1 et d'AUC.
Ibrahim et al. (ven,) ont étudié cette question.