Détection de fausses nouvelles sensible aux préférences des utilisateurs

La désinformation et les fausses nouvelles ont eu des effets néfastes sur les individus et la société ces dernières années, suscitant une attention croissante autour de la détection des fausses nouvelles. La majorité des algorithmes existants de détection des fausses nouvelles se concentrent sur l’extraction de signaux trompeurs à partir du contenu des actualités et/ou du contexte exogène environnant ; tout en ignorant la préférence endogène d’un utilisateur lorsqu’il décide de partager ou non une fausse nouvelle. La théorie de biais de confirmation indique qu’un utilisateur est plus enclin à diffuser une fausse nouvelle si celle-ci confirme ses croyances ou préférences préexistantes. Les interactions historiques et sociales d’un utilisateur, telles que ses publications, offrent une information riche sur ses préférences concernant les actualités, et présentent un grand potentiel pour améliorer la détection des fausses nouvelles. Toutefois, les travaux explorant les préférences des utilisateurs dans le cadre de la détection des fausses nouvelles restent relativement limités. Dans ce papier, nous étudions donc un problème novateur : l’exploitation des préférences des utilisateurs pour la détection des fausses nouvelles. Nous proposons un nouveau cadre, UPFD, qui capture simultanément divers signaux issus des préférences utilisateur grâce à une modélisation conjointe du contenu et des graphes. Les résultats expérimentaux sur des jeux de données réels démontrent l’efficacité du cadre proposé. Nous mettons à disposition notre code et nos données comme référence pour les méthodes basées sur les réseaux de neurones graphiques (GNN) en détection des fausses nouvelles : https://github.com/safe-graph/GNN-FakeNews.