Beyond Traditional Boundaries: Exploiting Open Dimensions for Enhancing Fake News Detection with Artificial Immune Systems

Abstract

I den digitale revolusjonens tidsalder har den raske spredningen av informasjon, spesielt falske nyheter, skapt betydelige utfordringer. Nesten halvparten av voksne i USA brukte sosiale medier som kilde for nyheter i 2021, noe som har skapt et effektivt system for spredning av falske nyheter, som sprer seg raskere og mer omfattende enn ekte nyheter. Spesielt i politisk ladede sammenhenger har falske nyheter vidtrekkende effekter, noe som potensielt kan føre til manipulasjon av- og fysiske effekter blant befolkningen. Med slike langtrekkende effekter er det et behov for modeller som raskt kan identifisere falske nyheter.

En modell basert på kunstige immunsystemer (AIS) blir foreslått som en intuitiv løsning for påvisning av falske nyheter. Med inspirasjon fra det biologiske immunsystemets evne til å skille selv fra ikke-selv, behandler modellen en nyhetsartikkel som et antigen, og skiller dermed falske nyheter (ikke-selv) fra virkelige nyheter (selv).

Nyskapende elementer innenfor AIS blir undersøkt, og ser på tre forskningsspørsmål: tilpasning av AIS til høydimensjonale rom, sammenligning av embeddings og generelle tekstegenskaper for deteksjon av falske nyheter i en AIS-modell, og evaluering av den foreslåtte modellen mot eksisterende metoder. En ny dimensjonstype for \textit{recognition regions}, kalt "åpne dimensjoner", blir foreslått, i stand til å håndtere høydimensjonale rom effektivt og yte bedre enn andre dimensjonstyper på flere velkjente klassifiseringssett. Modellen som bruker \textit{embeddings} presterte bedre enn modellen som bruker generelle tekstegenskaper; men det ble ikke gjennomført en analyse av elementene for modellen som brukte generelle tekstegenskaper, og effektiv analyse av dette kan forbedre modellens nøyaktighet. Selv om den foreslåtte modellen ikke når nøyaktigheten til modeller basert på nevrale nettverk for deteksjon falske nyheter, viser den konkurransedyktige resultater med forbedret treningstid.

Selv om forskningen identifiserte potensielle begrensninger, som et behov for mer dyptgående utforskning av åpne dimensjoners dynamikk og ytterligere forskning på boosting-metode og lokale søkeoperatører, er det lagt et verdifullt grunnlag for fremtidig arbeid i AIS og deteksjon av falske nyheter. AIS-modeller demonstrerer potensial i dette feltet, med funn som bidrar til målet om å bekjempe spredningen av falske nyheter i vårt stadig mer digitale samfunn.

In the age of digital revolution, the rapid dissemination of information, particularly fake news, has posed significant challenges. Nearly half of U.S. adults turned to social media for news in 2021, creating an efficient system for the proliferation of fake news, which spreads more quickly and extensively than factual news. Especially in politically charged contexts, fake news has far-reaching effects, leading to potential manipulation and emotional distress among the general population. With such pervasive impacts, there is a need for computational models capable of swiftly identifying non-factual.

An Artificial Immune System (AIS) model is proposed as an intuitive solution to fake news detection. Drawing inspiration from the biological immune system's ability to distinguish self from non-self, the model treats a news piece as an antigen, thereby distinguishing fake news (non-self) from real news (self).

Novel adaptations within the AIS framework are investigated, addressing three research questions: adapting AIS to high-dimensional spaces, comparing embeddings and general textual features for fake news detection in an AIS model, and evaluating the proposed model against state-of-the-art methods. A novel dimension type for recognition regions, termed "open dimensions", is proposed, capable of managing high-dimensional spaces effectively and outperforming other dimension types on multiple benchmark classification sets. The model employing embeddings outperformed the model employing general textual features; however feature analysis was not performed for the model with general textual features, and effective feature selection may enhance the model's accuracy. Although the proposed model does not match neural network-based approaches' accuracy in the task of fake news detection, it exhibits competitive results with improved training time.

Although the research identified potential limitations such as a need for more in-depth exploration of open dimensions dynamics and further research into boosting methods and local search operators, a valuable foundation for future work in AIS and fake news detection is established. AIS models demonstrate potential in this field, with findings contributing towards the goal of combating the proliferation of fake news in our increasingly digital society.