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, spesieltfalske nyheter, skapt betydelige utfordringer. Nesten halvparten av voksne i USA bruktesosiale medier som kilde for nyheter i 2021, noe som har skapt et effektivt system forspredning av falske nyheter, som sprer seg raskere og mer omfattende enn ekte nyheter.Spesielt i politisk ladede sammenhenger har falske nyheter vidtrekkende effekter, noesom potensielt kan føre til manipulasjon av- og fysiske effekter blant befolkningen. Medslike langtrekkende effekter er det et behov for modeller som raskt kan identifisere falskenyheter.En modell basert på kunstige immunsystemer (AIS) blir foreslått som en intuitiv løs-ning for påvisning av falske nyheter. Med inspirasjon fra det biologiske immunsystemetsevne 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 generelletekstegenskaper for deteksjon av falske nyheter i en AIS-modell, og evaluering av denforeslåtte modellen mot eksisterende metoder. En ny dimensjonstype for recognitionregions, kalt ”åpne dimensjoner”, blir foreslått, i stand til å håndtere høydimensjonalerom effektivt og yte bedre enn andre dimensjonstyper på flere velkjente klassifiseringssett.Modellen som bruker embeddings presterte bedre enn modellen som bruker generelletekstegenskaper; men det ble ikke gjennomført en analyse av elementene for modellensom brukte generelle tekstegenskaper, og effektiv analyse av dette kan forbedre modellensnøyaktighet. Selv om den foreslåtte modellen ikke når nøyaktigheten til modeller basertpå nevrale nettverk for deteksjon falske nyheter, viser den konkurransedyktige resultatermed forbedret treningstid.Selv om forskningen identifiserte potensielle begrensninger, som et behov for mer dypt-gående utforskning av åpne dimensjoners dynamikk og ytterligere forskning på boosting-metode og lokale søkeoperatører, er det lagt et verdifullt grunnlag for fremtidig arbeid iAIS 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 stadigmer digitale samfunn. In the age of digital revolution, the rapid dissemination of information, particularlyfake news, has posed significant challenges. Nearly half of U.S. adults turned to socialmedia 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 politicallycharged contexts, fake news has far-reaching effects, leading to potential manipulationand 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 tofake news detection. Drawing inspiration from the biological immune system’s abilityto distinguish self from non-self, the model treats a news piece as an antigen, therebydistinguishing fake news (non-self) from real news (self).Novel adaptations within the AIS framework are investigated, addressing three re-search questions: adapting AIS to high-dimensional spaces, comparing embeddings andgeneral textual features for fake news detection in an AIS model, and evaluating the pro-posed model against state-of-the-art methods. A novel dimension type for recognitionregions, termed ”open dimensions”, is proposed, capable of managing high-dimensionalspaces effectively and outperforming other dimension types on multiple benchmark clas-sification sets. The model employing embeddings outperformed the model employinggeneral textual features; however feature analysis was not performed for the model withgeneral textual features, and effective feature selection may enhance the model’s accu-racy. Although the proposed model does not match neural network-based approaches’accuracy in the task of fake news detection, it exhibits competitive results with improvedtraining time.Although the research identified potential limitations such as a need for more in-depthexploration of open dimensions dynamics and further research into boosting methodsand local search operators, a valuable foundation for future work in AIS and fake newsdetection is established. AIS models demonstrate potential in this field, with findingscontributing towards the goal of combating the proliferation of fake news in our increas-ingly digital society.