Sistema de Análise de Conteúdo Deceitoso Assistido por IA Usando Bi-LSTM

Resumo: Em uma era de desinformação generalizada, criar algoritmos de machine learning precisos é vital para garantir a integridade do compartilhamento de informações. Este projeto visa desenvolver um modelo de machine learning capaz de distinguir entre artigos de notícias falsos e verdadeiros. O modelo utiliza uma arquitetura de rede neural Bidirecional de Memória de Longo Prazo (Bi-LSTM). Técnicas de análise exploratória de dados são empregadas para obter insights sobre as características e distribuições dentro do conjunto de dados. Técnicas de visualização de dados auxiliam na compreensão de padrões e relações dentro do conjunto de dados. Além disso, é realizada uma análise de unigramas para extrair características significativas dos dados textuais. Os conjuntos de dados são então preparados para o treinamento do modelo, envolvendo etapas de pré-processamento como tokenização e vetorização. Finalmente, o modelo Bi-LSTM é construído, aproveitando sua capacidade de capturar dependências de longo alcance em dados sequenciais. O modelo é treinado nos conjuntos de dados preparados, otimizado usando técnicas apropriadas e avaliado utilizando métricas como acurácia, precisão, recall e F1-score. A arquitetura Bi-LSTM oferece a vantagem de capturar dependências de longo alcance em dados sequenciais, aprimorando assim a capacidade do modelo de discernir padrões sutis em artigos de notícias. O objetivo principal deste projeto é desenvolver um sistema robusto e preciso para detectar automaticamente notícias falsas, desempenhando assim um papel fundamental na melhoria da disseminação de informações confiáveis na era digital.