Im Rahmen des CYWARN-Projekts wurde ein Ansatz zur Glaubwürdigkeitsbewertung in Twitter als Full Paper veröffentlicht. Die International Conference on Artificial Neural Networks (ICANN) ist die jährliche Flaggschiffkonferenz der European Neural Network Society (ENNS). Das Spektrum der Themen ist breit gefächert und reicht von Algorithmen des maschinellen Lernens bis hin zu Modellen realer Nervensysteme.
Soziale Medien haben einen enormen Einfluss auf das moderne Leben, sind aber auch anfällig für die Verbreitung von Falschinformationen. In verschiedenen Bereichen wie dem Krisenmanagement oder politische Kommunikation ist es von größter Bedeutung, falsche Informationen zu erkennen, zu korrigieren und glaubwürdige Informationen zu verbreiten. Obwohl Aufklärungsmaßnahmen im Einzelnen helfen können, falsche Informationen zu erkennen, erfordert die schiere Menge an sozialen Daten (Social Big Data), die manchmal unter Zeitdruck analysiert werden muss, automatisierte und (nahezu) echtzeitfähige Bewertungsmethoden. In dieser Publikation werden daher bestehende Ansätze überprüft und drei Deep-Learning-Modelle (MLP, RNN, BERT) für die Echtzeitbewertung der Glaubwürdigkeit am Beispiel von Tweets konzipiert, implementiert und evaluiert. Während unsere BERT-Implementierung die besten Ergebnisse mit einer Genauigkeit von bis zu 87,07% und einem F1-Wert von 0,8764 bei der Verwendung von Metadaten, Text- und Benutzermerkmalen erzielte, zeigten MLP und RNN eine geringere Klassifikationsqualität, aber eine bessere Leistung für Echtzeitanwendungen. Darüber hinaus wurdew ein neuartiger Datensatz für die Bewertung der Glaubwürdigkeit vorgestellt. Das Full Paper wurde als Poster mit einem Impulsvortrag vorgestellt und ist online verfügbar als:
- Marc-André Kaufhold, Markus Bayer, Daniel Hartung, Christian Reuter (2021) Design and Evaluation of Deep Learning Models for Real-Time Credibility Assessment in Twitter. 30th International Conference on Artificial Neural Networks (ICANN2021) Bratislava. https://doi.org/10.1007/978-3-030-86383-8_32