DETECCIÓN AUTOMÁTICA DE FAKE NEWS EN REDES SOCIALES

Abstract

La detección automática de noticias falsas en redes sociales es un campo emergente en la ingeniería de la ciberseguridad que busca mitigar la propagación de desinformación y proteger a los usuarios de contenido falso. En un contexto digital donde la difusión de información es rápida y masiva, esta capacidad resulta fundamental para garantizar la veracidad en plataformas sociales. La identificación automática de noticias falsas permite reducir el impacto de la desinformación en ámbitos sensibles como la política y la salud, contribuyendo así a un entorno informativo más fiable. Este trabajo examina y analiza distintos modelos de Machine Learning aplicados a la detección de noticias falsas. El objetivo es evaluar la eficacia y precisión de estos modelos en comparación con métodos tradicionales de verificación manual. Para ello, se exploran temas como el preprocesamiento y representación de datos, la capacidad de los modelos para identificar patrones en el texto y la precisión en la clasificación de noticias verdaderas y falsas. Se han realizado varios experimentos con algoritmos como Random Forest, Gradient Boosting, Support Vector Machine, Multilayer Perceptron y redes neuronales convolucionales, empleando representaciones de texto como Bag of Words y TF-IDF. Los resultados se han evaluado en términos de precisión, recall y F1-score, examinando también la necesidad de ajustes adicionales en los modelos para optimizar su eficacia en la detección automática de desinformación.