CENTRE D’ÉTUDES DOCTORALES - SCIENCES ET TECHNOLOGIES

N° d’ordre : 4009

THÈSE
en vue de l’obtention du : DOCTORAT

Structure de Recherche: Intelligent Processing and Security of Systems

Discipline : Sciences et Technologies
Spécialité : Intelligence artificielle et science de données

Présentée et Soutenue le :09/11/ 2024

par :

Imane ENNEJJAI

Modèles de détection automatique des fausses nouvelles basés sur

l’intelligence artificielle

Devant le JURY :
Fouzia OMARY PES Faculté des Sciences, Université Mohammed V, Présidente
Rabat
Mohammed YOUSSFI PES Ecole Normale Supérieure de l'Enseignement Examinateur/Rapporteur
Technique, Université Hassan II, Mohammedia
Hassan ECHOUKAIRI MCH Faculté des Sciences, Université Mohammed V, Examinateur/Rapporteur
Rabat
Younes CHIHAB MCH École Supérieure de Technologie, Université Ibn Examinateur/Rapporteur
Tofail, Kénitra
Mohammed OUMSIS PES École Supérieure de Technologie de Salé, Examinateur
Université Mohammed V, Rabat
Abderrahmane EZ- MCH Faculté des Sciences, Université Examinateur
ZAHOUT Mohammed V, Rabat
Karim EL BOUCHTI MC École Supérieure de Technologie de Invité
Salé, Université Mohammed V, Rabat
Soumia ZITI PES Faculté des Sciences, Université Mohammed V, Directrice de thèse
Rabat

Année Universitaire : 2023 - 24

 Faculté des Sciences, avenue Ibn Battouta, BP. 1014 RP, Rabat –Maroc
 00212 (05) 37 77 18 76  00212(05) 37 77 42 61; [Link] [Link]
 i

« À mes chers parents,

Aucune dédicace ne saurait exprimer le respect, la gratitude éternelle et la profonde considération
que j’ai pour vous deux. Papa, tu as consenti des sacrifices inestimables pour mon instruction, faisant
bien plus que ce qu’un père pourrait imaginer, pour que nous suivions le bon chemin dans la vie et dans
nos études. Maman, tu es pour moi le symbole de la bonté, la source de tendresse et l’exemple parfait de
dévouement. Aucun mot ne pourrait véritablement exprimer l’amour que je ressens pour toi. Vos efforts
conjoints, de jour comme de nuit, ont façonné mon éducation et assuré mon bien-être. Je vous dois toutes
mes réussites et tout mon succès. Ce travail est dédié à vous, en témoignage de mon amour profond et
sincère.
À mon mari,
À toi qui es mon pilier, mon soutien inébranlable et mon confident. Chaque pas dans ce voyage
n’aurait été possible sans ta présence aimante à mes côtés. Ton amour, ta patience et ta foi en moi m’ont
donné la force d’avancer, même dans les moments les plus difficiles. Je te remercie pour tout ce que tu
fais, pour ton soutien inconditionnel et pour être toujours là, avec ton amour infini. Cette réussite est
aussi la tienne.
À mon frère et à ma sœur, pour votre présence, votre complicité et vos paroles réconfortantes qui ont
illuminé mon chemin.
À mon amie, pour ton soutien indéfectible, ta bienveillance et ton écoute précieuse tout au long de
ce parcours.
À toute ma famille et mes proches,
Je tiens à exprimer toute ma gratitude pour votre amour, votre soutien inconditionnel et vos encoura-
gements tout au long de ce voyage. Chacun d’entre vous a contribué à sa manière à cette réalisation, et
je vous en suis profondément reconnaissante. Votre présence dans ma vie est une véritable bénédiction. »

Imane ENNEJJAI
 ii

Remerciements
Les recherches menées dans cette thèse ont été réalisées au sein de structure de recherche Traitement
intelligent et sécurité des systèmes (IPSS) de la Faculté des Sciences de Rabat sous la direction du
Madame Soumia ZITI.
Je tiens à exprimer mes sincères remerciements a Madame Fouzia OMARY professeure à la Faculté
des Sciences de Rabat, de m’avoir intégré au sein de son équipe avec bienveillance et professionnalisme.
En premier lieu, je souhaite exprimer ma gratitude envers ma directrice de thèse, Madame Soumia
ZITI professeure à la Faculté des Sciences de Rabat, pour son accompagnement, sa patience, sa grande
disponibilité, ses qualités humaines et scientifiques, ainsi que pour toute l’assistance qu’il m’a apportée
tout au long de la réalisation de ce travail.
J’exprime ma sincère reconnaissance envers a Madame Fouzia OMARY professeure à la Faculté des
Sciences de Rabat, pour sa disponibilité et pour m’avoir fait l’honneur d’être président de ma soutenance.
Je tiens à exprimer ma profonde gratitude envers Monsieur Mohammed YOUSSFI professeur à
l’école Normale Supérieure de l’Enseignement Technique, Université Hassan II deMohammedia. Je le
remercie pour avoir accepté d’évaluer mon travail et de m’avoir honoré en tant que rapporteur.
Je tiens à exprimer ma gratitude à Monsieur Hassan ECHOUKAIRI maître de Conférence Habilité
à la faculté des Sciences de Rabat. Je le remercie pour sa disponibilité et pour avoir accepté d’évaluer
cette thèse en tant que rapporteur.
Je remercie également Monsieur Younes CHIHAB maître de Conférence Habilité à l’école Supé-
rieure de Technologie, Université Ibn Tofail, Kénitra, pour avoir accepté d’évaluer mon travail et d’en
être un rapporteur.
Je tiens à remercier chaleureusement Monsieur Mohammed OUMSIS professeur à l’école Supé-
rieure de Technologie de Salé, Université Mohammed V, Rabat pour avoir examiné ce rapport avec
rigueur et grand intérêt.
Je tiens à exprimer ma gratitude à Monsieur Abderrahmane EZ-ZAHOUT maître de Conférence
Habilité à la faculté des Sciences de Rabat. Je le remercie pour sa disponibilité et pour avoir accepté
d’évaluer cette thèse.
je souhaite exprimer ma reconnaissance à Monsieur Karim ELBOUCHTI maître de Conférence à
la faculté des des Sciences Semlalia, Université kadi Ayyad, Marrakech, pour l’honneur qu’il m’a fait en
acceptant de participer en tant qu’invité à cette soutenance. Sa présence témoigne de son intérêt pour ce
travail, et je lui en suis profondément reconnaissant.
Enfin, je ne pourrai pas oublier tous ceux qui ont apporté leur contribution, de près ou de loin, à la
réalisation de cette tâche.
 iii

Résumé

L’objectif de cette thèse est d’apporter des contributions significatives à la détection automatique des
fausses nouvelles, en proposant un modèle innovant qui combine des techniques avancées de traitement
du langage naturel et des architectures de réseaux neuronaux. Face à la diffusion rapide et massive de
fausses informations sur Internet, ce travail s’attaque aux limites des approches existantes en termes de
précision, d’efficacité et d’adaptabilité aux différents contextes. Après une définition générale et bien
détaillé de fausses informations et de procédure de détections, une analyse comparative approfondie des
méthodes actuelles de machine Learning et de deep learning sur plusieurs jeux de données en appliquant
les techniques d’extraction de traitement du langage naturel, nous avons développé un modèle hybride
combinant les réseaux neuronaux convolutifs, les réseaux à mémoire à long terme bidirectionnels et
les réseaux attentionnels hiérarchiques. Ce modèle permet de capturer à la fois les dépendances locales
et globales dans les données textuelles, tout en offrant une meilleure interprétabilité et robustesse face
aux variations des jeux de données. Les résultats expérimentaux montrent que cette approche améliore
significativement la précision de la détection des fausses nouvelles, ouvrant des perspectives pour des
applications dans des domaines critiques tels que la finance, la santé, et la sécurité.

Mots-clefs : Détection des fausses nouvelles, Modèle hybride, Les réseaux neuronaux convolutifs,
Les réseaux à mémoire à long terme bidirectionnels , Les réseaux attentionnels hiérarchiques. , Tech-
niques NLP.
 iv

Abstract

The objective of this thesis is to make significant contributions to the automatic detection of fake news
by proposing an innovative model that combines advanced natural language processing techniques with
neural network architectures. In response to the rapid and widespread dissemination of false information
on the Internet, this work addresses the limitations of existing approaches in terms of accuracy, efficiency,
and adaptability to different contexts. After a general and detailed definition of fake news and detection
procedures, as well as an in-depth comparative analysis of current machine learning and deep learning
methods across several datasets using natural language processing extraction techniques, we developed a
hybrid model combining convolutional neural networks, bidirectional long short-term memory networks,
and hierarchical attention networks. This model captures both local and global dependencies in textual
data, while offering better interpretability and robustness against variations in datasets. Experimental
results show that this approach significantly improves the accuracy of fake news detection, opening up
opportunities for applications in critical domains such as finance, healthcare, and security.
Keywords : Fake News Detection,Hybrid Model, Convolutional neural networks, Bidirectional long
short-term memory networks , Hierarchical attention networks.
 v

‘jÊÓ

h@Q¯@ ÈCg áÓ AJKA®Ê K éK . XA¾Ë@ PAJ.k B@ ­‚»  ú¯ èQJ.» HAÒëA‚Ó  Õç' Y® K ñë éËAƒQË@
 è Yë ¬Yë
. é®J ÒªË@ I.’ªË@ HA¾J  . ƒ HAJ  ƒYJëð éJ ªJJ.¢Ë@ éªÊË@ ém .Ì 'AªÓ ú¯ éÓY  ® JÓ HAJ  J® K áK. ©Òm.' QºJJ.Ó h. XñÖß
XñJ®Ë@  ©Ó ÉÓAªJKð , I KQKB @ úΫ é®K@QË@ HAÓñʪÒÊË
 ©ƒ@ñË@ð ©K Qå„Ë@ PA‚ KCË éJ ÊÒªË@ è Yë [Link].‚  
ÉÓAƒ YK Ym' YªK. . éJ ËAmÌ '@ HAj  JJÓ HA
 . îDÊË é«ñ  ƒ ©Ó ­JºJÊË éJ ÊK A®Ë@
 ¯AJ   
. ð èZA®ºË@ð é¯YËAK. é®ÊªJÖÏ @

ú¯ éJ ËAmÌ '@ I.JËAƒ CË ‡J Ô« àPA®Ó  ÉJÊm' úÍ@ é¯A“B AK , ­‚ºË@  H@Z@  Qk. @ ð éK . XA¾Ë@ PAJ.k CË É’®Óð
.
ém .Ì 'AªÓ áÓ ÕËAªÖÏ @ h. @QjJƒ@ HAJ J® K Ð@YjJƒAK. HA  .× èY« Q.« ‡J ÒªË@ ÕΪJË @ð úÍ B@ ÕΪJË @
 KAJK. HA«ñÒm
, ùKA®Ê JË@ ÕΪJÊË éªK
 AJË@ é®J ÒªË@ I’ªË@ HA¾J
.  . ƒ á K. ©Òm '
. á  j
. ë h XñÖ ß QK ñ¢ JK. AJÔ¯ , éJ ªJJ.¢Ë@ éªÊË@
. .
Q     á 
h. XñÒJË@ @ Yë ÒJK . éJÓQêË@ èAJ.KB@ HA¾J.ƒð , ëAm. B@ H@ X éÊK ñ¢Ë@ð èQ’®Ë@
 '    èQ»@ YË@ HA¾J  . ƒð
éK . C“ð ɒ¯ @ Q‚®K Q¯ñK ©Ó , éJ ’JË@ HA  KAJJ.Ë@ ú¯ éJ ÖÏ AªË@ð éJ ÊjÖÏ @ H@XAÒ  J«B@ A® JË@ úΫ èPY®ËAK 
.
QJ.» ɾ‚   
 . á‚m' i.îDË@ @ Yë à @ éJ.K Qj.JË@ l. ' AJJË@ Qê¢ . HA   KAJJ.Ë@ HA«ñÒm
 .× ú¯ H@ 
 QªJË@ Y“ Q.» @
éJ j’Ë@ éK A«QË@ð áÓ B@ ÉJÓ éK ñJk HBAm  .× ú¯ HA  ®J J.¢JË Q®Ë@ iJ®K AÜØ , éK . XA¾Ë@ PAJ.k B@ ­‚»  é¯X 
. éJ ËAÖÏ @ð
ÕΪJÊË éªK
 AJË@ ‡J ÒªË@ I’ªË@ HA¾J
. .  : éJ ‚KQË@ HAÒʾË@
 . ƒ , áj.ë h. XñÖß , éK . XA¾Ë@ PAJ.k B@ ­‚» 
 . ƒ , áëAm.' B@ H@
. éJ ÓQêË@ èAJ.KB@ HA¾J  X éÊK  ñ¢Ë@ð èQ’®Ë@  . ƒ ,ùKA®Ê JË@
 èQ»@ YË@ HA¾J
 vi

Liste des Figures

1.1 Diagramme de Venn des fausses informations sur les médias sociaux et le web [1]. . . . 9
1.2 Précision des Études sur la Détection des Fausses Informations . . . . . . . . . . . . . . 19
1.3 Évolution du Nombre de Publications sur la Détection des Fausses Informations de 2014
à Aujourd’hui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.1 Perspectives de détection des fausses nouvelles (FND). Les éléments en orange montrent
le focus de cette thése. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Processus de traitement du texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Taxonomie des méthodes de représentation de texte. . . . . . . . . . . . . . . . . . . . . 34
2.4 Types de caractéristiques dans le problème de détection des fausses nouvelles. Les élé-
ments surlignés en orange montrent le focus de cette recherche. . . . . . . . . . . . . . . 37
2.5 Classification des approches de classification textuelle. . . . . . . . . . . . . . . . . . . 41
2.6 Intelligence artificielle, apprentissage automatique, apprentissage profond([2]) . . . . . . 52
2.7 L’anatomie des neurones humains . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.8 Un neurone artificiel de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.9 Un diagramme en blocs d’un neurone artificiel . . . . . . . . . . . . . . . . . . . . . . . 54
2.10 Modèle CNN [3] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.11 Un réseau de neurones récurrent déroulé ([4]). . . . . . . . . . . . . . . . . . . . . . . . 59
2.12 LSTM gates([4]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.13 Modèle Bi-LSTM [5] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.14 Modèle HAN [6] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

3.1 Nuages de mots de chaque jeu de données utilisé dans les études . . . . . . . . . . . . . 81
3.2 Organigramme du processus proposé de détection des fausses nouvelles [7] . . . . . . . 90
3.3 Matrice de confusion pour chaque ensemble de données du modèle CNN . . . . . . . . 97

4.1 Flux de travail pour l’entraînement des algorithmes et la classification des nouvelles.[8] . 100
4.2 Nuage de mots des ensembles de données réelles et fausses [8] . . . . . . . . . . . . . . 101
4.3 Matrice de confusion pour les modèles Bert et LSTM . . . . . . . . . . . . . . . . . . . 107
4.4 Système de detection des fausses informations s’appuyant sur les architectures neuro-
nales LSTM et Bi-directional LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.5 Matrice de confusion pour le modèle LSTM . . . . . . . . . . . . . . . . . . . . . . . . 112
4.6 L’architecture du modèle proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
 vii

4.7 Processus de prétraitement et de transformation du texte du courrier électronique . . . . 114

4.8 Résultats de classification avec TF-IDF . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.9 Résultats de classification avec TF-IDF . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.10 Modèle proposé de détection des fausses nouvelles basé sur plusieurs modèles d’appren-
tissage profond. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
 viii

Liste des Tables

1.1 Catégorisation de fausses informations . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1 Méthodes d’extraction de caractéristiques utilisées dans les travaux précédents. . . . . . 35

2.2 Avantages et inconvénients de certains modèles de détection des fausses nouvelles basés
sur l’apprentissage automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3 Comparaison des fonctions d’activation . . . . . . . . . . . . . . . . . . . . . . . . . . 75

3.1 Caractéristiques principales des ensembles de données de référence utilisés dans nos
études. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.2 Caractéristiques principales des ensembles de données de référence utilisés dans nos
études. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.3 Expériences récentes sur la détection des fausses nouvelles . . . . . . . . . . . . . . . . 88
3.4 Résultats des modèles sur différents ensembles de données . . . . . . . . . . . . . . . . 96

4.1 Les fragments de l’ensemble de données ISOT [8]. . . . . . . . . . . . . . . . . . . . . 101

4.2 Résultats des modèles prédictifs sur les quatre ensembles de données . . . . . . . . . . . 106
4.3 Résultats des modèles prédictifs LSTM et BI-LSTM sur les ensembles de données ISOT 111
4.4 Exemple de jeu de données utilisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.5 Résultats des classificateurs incluant le prétraitement . . . . . . . . . . . . . . . . . . . 117
 ix

Liste des Abréviations

FN Fake news (Fausses informations)

NLP Natural Language Processing (Traitement du Langage Naturel)
NN Neural Network
CNN Convolutional Neural Networks (Réseaux Neuronaux Convolutionnels)
BiLSTM Bidirectional Long Short-Term Memory (Mémoire à Long Terme Bidirectionnelle)
HAN Hierarchical Attention Networks (Réseaux Hiérarchiques d’Attention)
BOW Bag of words (Sac de mots)
TF-IDF Term Frequency-Inverse Document Frequency
(Fréquence des Termes-Fréquence Inverse des Documents)
ML Machine Learning (Apprentissage Automatique)
DL Deep Learning (Apprentissage Profond)
RNN Recurrent Neural Networks (Réseaux Neuronaux Récurrents)
SVM Support Vector Machines (Machines à Vecteurs de Support)
F1 Score F1 Score (Score F1)
AUC Area Under the Curve (Aire Sous la Courbe)
BERT Bidirectional Encoder Representation from Transformers
LSTM Long-Short Memory
SGD Descente de Gradient Stochastique
ReLU Rectified Linear Unit
FPR Le Taux de Faux Positifs
TPR Le Taux de Vrais Positifs
NLTK Natural Language Tool Kit
 x

Table des Matières

Dédicace i

Remerciements ii

Résumé iii

Abstract iv

Résumé arabe v

Liste des Figures vi

Liste des Tables viii

Liste des Abréviations ix

Introduction 1

1 Fondements et État de l’Art en Détection 5

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Definition du fausses informations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Types de fausses nouvelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 Désinformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.3 Mésinformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Extraction de caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.1 Caractéristiques basées sur l’utilisateur . . . . . . . . . . . . . . . . . . . . . . 21
1.3.2 Caractéristiques basées sur le contenu . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.3 Caractéristiques basées sur le contexte social . . . . . . . . . . . . . . . . . . . 22
1.3.4 Le contenu visuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4 Le contenu basée sur le texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.5 Détection des fausses informations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.5.1 Base de connaissances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Vérification des faits basée sur des experts . . . . . . . . . . . . . . . . . . . . . 25
 xi

Vérification des faits basée sur la foule . . . . . . . . . . . . . . . . . . . . . . 26

Vérification des faits orientée vers l’ordinateur . . . . . . . . . . . . . . . . . . 26
1.5.2 Basé sur le style . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5.3 Basé sur le contexte social . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5.4 Contenu basé sur les éléments visuels . . . . . . . . . . . . . . . . . . . . . . . 28
1.5.5 Contenu basé sur le texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2 Processus de Détection de Fausses Informations Textuelles 30

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1 Processus de détection de fausses informations basé sur le texte . . . . . . . . . . . . . . 30
2.2 Prétraitement du texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Représentation textuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.1 Représentation textuelle basée sur le décompte . . . . . . . . . . . . . . . . . . 35
Le Sac de Mots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
TF-IDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.2 Représentation textuelle basée sur la prédiction . . . . . . . . . . . . . . . . . . 36
Méthodes indépendantes du contexte . . . . . . . . . . . . . . . . . . . . . . . 37
Méthodes dépendantes du contexte . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4 Algorithmes de classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.4.1 Machine Learning : Apprentissage Automatique . . . . . . . . . . . . . . . . . 40
Modèles d’apprentissage automatique classiques . . . . . . . . . . . . . . . . . 43
Modèles ensemblistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5 Modèles d’apprentissage profond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.6 Principe de Base des Réseaux de Neurones Artificiels . . . . . . . . . . . . . . . . . . . 52
2.6.1 Architecture des Systèmes de Réseaux Neuronnaux . . . . . . . . . . . . . . . . 53
CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
RNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.6.2 BI-LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.6.3 HAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.7 Fonctions d’activation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.7.1 Fonction Sigmoïde (Sigmoid) . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.7.2 Fonction Tangente Hyperbolique (Tanh) . . . . . . . . . . . . . . . . . . . . . . 70
2.7.3 Fonction Rectified Linear Unit (ReLU) . . . . . . . . . . . . . . . . . . . . . . 71
2.7.4 Fonction Leaky ReLU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.7.5 Fonction Softmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.7.6 Fonction Swish . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.7.7 Étude comparative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
 xii

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

3 Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des

Fausses Nouvelles 77
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.1 Ensembles de Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.1.1 Liar Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.1.2 FakeNewsNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.1.3 ISOT Fake News . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.1.4 COVID dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.2 Optimiseurs utilisés en détection de fausses nouvelles . . . . . . . . . . . . . . . . . . . 82
3.2.1 Descente de Gradient Stochastique . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.2.2 Adam (Estimation des Moments Adaptatifs) . . . . . . . . . . . . . . . . . . . . 83
3.2.3 RMSProp (Root Mean Square Propagation) . . . . . . . . . . . . . . . . . . . . 84
3.2.4 AdaGrad (Adaptive Gradient Algorithm) . . . . . . . . . . . . . . . . . . . . . 85
3.2.5 Analyse comparative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.3 Métriques d’évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.4 Études Comparatives entre CNN, LSTM,BI-LSTM,HAN, les HAN convolutifs, ainsi
que le classificateur Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.4.1 Vue d’ensemble de l’approche . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.4.2 Évaluation Expérimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Informations Statistiques sur les Ensembles de Données . . . . . . . . . . . . . 90
Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.4.3 Extraction des Caractéristiques et Implémentation du Modèle . . . . . . . . . . 92
Prétraitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Extraction des Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Implémentation des Approches . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.4.4 Résultat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Métriques d’Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Résultats et discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

4 Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et
le Traitement du Langage Naturel 99
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.1 Intelligence Artificielle pour les Fausses Nouvelles . . . . . . . . . . . . . . . . . . . . 100
4.1.1 Aperçu de l’approche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.1.2 Évaluation Expérimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Informations Statistiques sur les Ensembles de Données . . . . . . . . . . . . . 100
 xiii

Caractéristiques Étudiées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

Extraction des Caractéristiques dans le Modèle . . . . . . . . . . . . . . . . . . 103
Modèles Étudiés pour l’Implémentation des Approches . . . . . . . . . . . . . . 104
4.1.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Métriques d’Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.1.4 Résultats et discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2 Amélioration de la détection de la désinformation en utilisant LSTM et BiLSTM avec
des techniques d’embedding de mots . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.2.1 Modèle proposé pour la détection des fausses nouvelles . . . . . . . . . . . . . . 108
Jeu de données d’entrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Prétraitement NLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Extraction des caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.2.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Métriques d’Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.3 Une analyse et évaluation de la détection de spam utilisant des techniques d’appren-
tissage automatique et d’apprentissage profond optimisées : application d’une nouvelle
approche basée sur l’extraction des caractéristiques NLP . . . . . . . . . . . . . . . . . 113
4.3.1 Modèle proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.3.2 Description de l’ensemble de données . . . . . . . . . . . . . . . . . . . . . . . 113
4.3.3 Prétraitement et Annotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Tokenisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Suppression des mots vides . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Racine (Stemming) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Représentation vectorielle du texte . . . . . . . . . . . . . . . . . . . . . . . . . 115
Extraction des caracteristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Résultats et discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.4 Une approche basée sur l’intelligence artificielle pour la détection des fausses nouvelles
dans le contexte du tremblement de terre au Maroc . . . . . . . . . . . . . . . . . . . . 119
Une étude comparative des avantages entre CNN, BILSTM et HAN . . . . . . . 119
4.4.1 Modèle proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.4.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Analyse des résultats dans le contexte . . . . . . . . . . . . . . . . . . . . . . . 129
Forces de l’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Contextualisation dans la littérature existante . . . . . . . . . . . . . . . . . . . 130
Directions futures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.4.3 Synthèse de Contribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.5 Analyses et discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
 xiv

Conclusion Générale et Perspectives 134

Publications 138

Bibliographie 140
 1

Introduction

La diffusion de fausses informations constitue désormais l’un des enjeux majeurs de l’ère numérique.
Avec l’essor des réseaux sociaux et des plateformes de partage en ligne, la désinformation se propage à
une vitesse inégalée, influençant les opinions publiques, alimentant les divisions sociales et, dans certains
cas, mettant en danger des vies humaines[9]. Qu’elles soient intentionnellement malveillantes ou simple-
ment le résultat d’une mauvaise diffusion d’informations, ces fausses nouvelles menacent la confiance
envers les médias, les institutions et les processus démocratiques. Chaque individu est aujourd’hui un
créateur de contenu et peut publier des informations sans expertise ni responsabilité[10]. Ce phénomène
a été exacerbé par des événements comme l’élection présidentielle américaine de 2016, la pandémie
de COVID-19 ou les catastrophes naturelles telles que les tremblements de terre au Maroc en 2023,
illustrant la rapidité avec laquelle les fausses informations se propagent.
L’Internet est devenu un vecteur rapide et économique pour la diffusion d’informations. Face à la
masse d’informations disponible en ligne, il devient impossible pour un utilisateur ordinaire de vé-
rifier systématiquement chaque donnée. Ce manque de connaissances spécialisées dans de nombreux
domaines confère aux sources en ligne un crédit excessif. Cependant, en parallèle à la croissance des
informations légitimes, la désinformation a explosé. Des informations fausses, souvent appelées "fake
news", peuvent être largement diffusées jusqu’à devenir virales, motivées par des objectifs politiques,
commerciaux ou même par ignorance. La pandémie de COVID-19 a illustré cette "infodémie"[11], où
la désinformation sur la santé a mené à la méfiance envers les décideurs en matière de santé publique.
Les fausses nouvelles ne menacent pas seulement la démocratie et l’économie, mais peuvent égale-
ment entraîner des décès. Par exemple, des incidents tragiques tels que "Pizzagate" ou les émeutes en
Inde montrent que la désinformation peut avoir des conséquences mortelles. De plus, l’activité massive
et la rapidité à laquelle les informations circulent sur les réseaux sociaux rendent leur analyse complexe
et coûteuse[12]. Les utilisateurs souffrent de divers biais cognitifs, tels que l’effet de répétition, qui les
rend plus susceptibles de croire à des informations fausses après plusieurs expositions, ou le biais de
confirmation, qui les incite à accepter des informations correspondant à leurs croyances. Le contexte
de cette recherche repose sur l’essor d’Internet comme vecteur rapide et économique pour la diffusion
d’informations. Ce médium touche désormais un public bien plus large que n’importe quelle publication
papier n’a jamais pu atteindre. Cependant, l’énorme quantité d’informations disponibles rend impossible
une vérification systématique par les utilisateurs ordinaires, qui confèrent souvent un crédit excessif aux
sources en ligne. Cela a contribué à l’explosion de la désinformation, aussi bien accidentelle que dé-
libérée, créant un phénomène communément appelé "fake news"[13]. Ce phénomène est devenu un
problème majeur auquel les utilisateurs du web sont confrontés, nécessitant des solutions automatisées
Introduction 2

pour détecter, classifier, et supprimer les contenus malveillants.

Bien que de nombreuses solutions aient déjà été proposées, la conception de modèles de détection ef-
ficaces reste complexe, et l’explicabilité des modèles est souvent négligée au profit de la performance[14].
L’objectif de ce travail est de combler cette lacune en explorant plusieurs modèles d’apprentissage au-
tomatique populaires pour la détection des fausses nouvelles, en mettant l’accent sur l’explicabilité et
l’influence de la représentation des données et de l’architecture des modèles sur leurs capacités à inter-
préter et classer les textes.
Malgré les progrès réalisés dans le domaine, une taxonomie contemporaine des modèles de repré-
sentation des caractéristiques et de classification n’a pas encore été développée. De plus, aucune étude
comparative exhaustive n’a été menée en tenant compte des différentes techniques d’extraction de ca-
ractéristiques, des algorithmes de classification et des ensembles de données de référence. Cela soulève
plusieurs questions de recherche : quel est l’impact des méthodes d’extraction de caractéristiques sur les
performances des modèles ? La combinaison de ces méthodes améliorerait-elle la détection des fausses
nouvelles ? Et quelles sont les méthodes les plus rentables ? Ce travail cherche à répondre à ces questions
en menant une analyse approfondie des techniques disponibles et en identifiant des pistes de recherche
pour développer des systèmes plus robustes. Ce travail cherche à combler ces lacunes en répondant à
plusieurs questions de recherche fondamentales.
La premiére question de recherche concerne l’impact des méthodes d’extraction de caractéristiques
sur les performances des modèles. Les méthodes d’extraction de caractéristiques, comme TF-IDF, les
word embeddings (Word2Vec, GloVe)[15], ou encore les représentations basées sur des modèles de
transformateurs (comme BERT), jouent un rôle crucial dans la qualité des données fournies aux algo-
rithmes de classification. L’hypothèse initiale est que certaines méthodes d’extraction de caractéristiques
peuvent mieux capturer les nuances sémantiques des fausses nouvelles que d’autres, ce qui se tradui-
rait par des améliorations significatives des performances des modèles de classification. Pour répondre à
cette question, une série d’expériences comparatives a été menée en utilisant plusieurs techniques d’ex-
traction de caractéristiques sur différents ensembles de données. Les résultats préliminaires montrent
que les techniques basées sur des modèles de transformateurs surpassent généralement les méthodes tra-
ditionnelles comme TF-IDF, en raison de leur capacité à capturer des relations contextuelles complexes
dans les textes. Cependant, ces améliorations de performance sont souvent accompagnées d’une aug-
mentation significative du coût computationnel, ce qui soulève des questions sur leur rentabilité dans des
environnements contraints en ressources.
La deuxième question clé est de savoir si la combinaison de plusieurs méthodes d’extraction de
caractéristiques pourrait améliorer les performances des modèles de détection des fausses nouvelles.
L’idée sous-jacente est que différentes méthodes pourraient capturer des aspects complémentaires des
données textuelles. Par exemple, alors que les modèles basés sur les transformateurs sont excellents pour
saisir le contexte global d’un texte, des techniques comme TF-IDF ou les word embeddings peuvent
mieux représenter des caractéristiques lexicales ou syntaxiques spécifiques.
Des expérimentations ont été réalisées pour tester diverses combinaisons de techniques d’extraction.
Introduction 3

Les résultats montrent que l’intégration de méthodes multiples, permet d’obtenir des modèles plus ro-
bustes. Ces modèles combinés ont montré une amélioration moyenne en termes de précision et de rappel,
par rapport à ceux utilisant une seule technique. Cette amélioration est due à une meilleure capture de la
diversité des caractéristiques des fausses nouvelles, renforçant ainsi la capacité des modèles à différen-
cier les informations fiables des fausses.
Cependant, bien que la combinaison de méthodes puisse augmenter les performances, elle accroît
également la complexité du modèle et le coût en termes de temps de traitement et de ressources. Cette
observation souligne l’importance de prendre en compte non seulement l’efficacité, mais aussi la renta-
bilité des approches dans des contextes d’application réels.
La rentabilité des méthodes, tant en termes de ressources computationnelles que de temps de traite-
ment, est un aspect souvent négligé dans les études sur la détection des fausses nouvelles. Il est essentiel
d’identifier les approches qui offrent le meilleur compromis entre performance et coût. À cet égard, les
modèles basés sur des transformateurs, bien qu’étant les plus performants en termes de précision et de
rappel, sont également les plus coûteux en termes de calcul. Leur complexité, combinée à la nécessité
d’une puissance de calcul importante, limite leur utilisation dans des scénarios où les ressources sont
limitées.
En revanche, les méthodes plus légères, comme les word embeddings traditionnels combinés avec
des classificateurs simples offrent un excellent compromis. Ces modèles, bien que légèrement moins
performants que les transformateurs, sont beaucoup plus rapides et moins gourmands en ressources, les
rendant plus adaptés à des environnements où la rapidité et l’efficacité sont primordiales, par exemple
pour une détection en temps réel des fausses nouvelles sur les réseaux sociaux. La détection des fausses
nouvelles est devenue un enjeu critique pour les sociétés modernes, notamment à cause de ses impacts
sociaux, politiques et économiques. Les statistiques montrent que la capacité humaine à distinguer les
fausses nouvelles des vraies est comparable à un lancer de pièces, ce qui souligne l’importance de mettre
en place des systèmes automatisés précis et fiables. La détection automatique des fausses nouvelles, bien
que relativement récente, a suscité un intérêt croissant, particulièrement après l’élection présidentielle
américaine de 2016[13], où l’impact des fausses nouvelles a été fortement ressenti.
Parmi les approches de détection des fausses nouvelles, les méthodes linguistiques basées sur les
caractéristiques du contenu des nouvelles[16], telles que les textes des articles ou les publications sur les
réseaux sociaux, se sont révélées particulièrement prometteuses. Cependant, peu d’études comparatives
exhaustives ont été réalisées pour évaluer et comparer les différentes méthodes disponibles[17]. Certaines
études ont exploré les modèles d’apprentissage automatique et d’apprentissage profond, mais n’ont pas
analysé en profondeur les modèles de transformateurs ou les méthodes de bout en bout.
Cette thèse apporte une contribution significative au domaine de la détection des fausses informations
en utilisant le traitement automatique du langage naturel et l’intelligence artificielle[18]. Nous proposons
une approche innovante qui intègre une combinaison de trois modèles afin d’améliorer la précision et la
fiabilité des systèmes de détection automatique des fausses nouvelles. Contrairement aux travaux précé-
dents qui se concentraient sur des méthodes individuelles, cette recherche compare diverses techniques
Introduction 4

d’extraction de caractéristiques et d’algorithmes de classification, y compris l’utilisation des extracteurs

de caractéristiques de traitement de language naturel. En développant une taxonomie mise à jour et en
évaluant la rentabilité des différentes approches, cette thèse ouvre de nouvelles perspectives pour la
création de systèmes de détection plus robustes et efficaces.
Enfin, cette recherche propose plusieurs orientations futures, basées sur les conclusions de ce travail,
visant à faire progresser le domaine de la détection des fausses informations. Ces contributions visent
collectivement à améliorer l’efficacité et la fiabilité des systèmes automatisés pour identifier et atténuer
la propagation des fausses informations.
Cette thèse est organisée en plusieurs chapitres, chacun traitant d’un aspect spécifique de la détection
des fausses nouvelles.
— Chapitre 1 : Définition des Fausses Informations, Extraction de Caractéristiques et État de l’Art.
Ce chapitre introduit les concepts clés autour des fausses informations, en détaillant les différentes
formes de désinformation (désinformation intentionnelle et mésinformation). Il présente égale-
ment les travaux connexes dans le domaine, ainsi que les méthodes d’extraction de caractéristiques
basées sur le texte, le contenu visuel, le comportement des utilisateurs, et le contexte social. Enfin,
les principales méthodes de détection, telles que la vérification des faits et les approches basées
sur le contenu, sont explorées.
— Chapitre 2 : Processus de Détection des Fausses Informations Basé sur le Texte. Ce chapitre décrit
les étapes du processus de détection de fausses nouvelles textuelles. Il couvre le prétraitement des
données textuelles, la représentation des textes (méthodes de décompte et modèles prédictifs), et
les algorithmes de classification utilisés. Il se concentre sur les modèles d’apprentissage automa-
tique classiques et les réseaux neuronaux profonds, comme les CNN, BiLSTM, et HAN, ainsi que
sur les fonctions d’activation et les optimiseurs.
— Chapitre 3 : Ensembles de Données et Métriques d’Évaluation. Ce chapitre présente les ensembles
de données utilisés pour l’évaluation des modèles de détection des fausses nouvelles, tels que Liar
Dataset et FakeNewsNet. Il explique également les principales métriques d’évaluation, comme la
précision, le rappel et le score F1, nécessaires pour mesurer la performance des modèles.
— Chapitre 4 : Études Comparatives et Proposition de Contribution. Ce chapitre offre une analyse
comparative des performances des différents modèles de détection de fausses nouvelles, incluant
les approches basées sur CNN, BiLSTM et HAN. Il propose également une contribution sous
forme d’un modèle combinant ces techniques pour améliorer la précision et la robustesse des
systèmes de détection.
— Conclusion Générale et Travaux Futurs. La thèse se termine par une synthèse des résultats obtenus
et propose des perspectives de recherche futures, notamment pour améliorer la robustesse des
modèles et leur applicabilité dans de nouveaux domaines.
 5

Chapitre 1

Fondements et État de l’Art en Détection

Introduction
Dans un contexte où l’information est diffusée à une vitesse sans précédent, la propagation des
fausses nouvelles est devenue une problématique majeure. Leur diffusion rapide sur les réseaux sociaux
et autres plateformes en ligne présente des risques importants pour la société, notamment en influençant
les opinions publiques, en créant de la désinformation et en manipulant les comportements sociaux et
politiques. Afin de comprendre pleinement ce phénomène et de proposer des solutions efficaces, il est es-
sentiel d’examiner en profondeur les caractéristiques et les méthodes de détection des fausses nouvelles.
Ce chapitre se propose de définir précisément ce que l’on entend par "fake news", d’explorer les travaux
connexes dans ce domaine, et d’analyser les techniques d’extraction de caractéristiques. Enfin, nous exa-
minerons les approches basées sur le contenu textuel ainsi que les méthodes actuelles pour détecter les
fausses informations.

1.1 Definition du fausses informations

Les fausses informations ne sont ni quelque chose de nouveau ni quelque chose de trivial à résoudre,
en fait, elles existent dans le monde depuis des siècles sous différents noms tels que la propagande ou
les rumeurs. Nous avons examiné plusieurs définitions des fausses informations et combiné plusieurs de
leurs attributs, aboutissant à une définition générique et à jour des fausses informations.
Géneralement une"fake news" peut être définie comme une information délibérément fausse ou trom-
peuse présentée comme vraie, souvent dans le but de manipuler l’opinion publique, de propager la dés-
information ou d’atteindre des objectifs particuliers. Ce phénomène s’est intensifié avec l’avènement des
médias sociaux et la facilité de diffusion rapide de l’information en ligne.
Selon [10, 13], il existe deux définitions reconnues des "Fake News" :
Définition 2.1 (Définition large) : Les "Fake News" sont des informations fausses.
Définition 2.2 (Définition étroite) : Les "Fake News" sont des articles de presse intentionnellement
et vérifiablement faux.
Fondements et État de l’Art en Détection 6

À la différence de la première définition, qui se concentre exclusivement sur la validité de l’infor-

mation, la seconde description souligne tant l’exactitude que les motivations sous-jacentes. Plus préci-
sément, selon cette dernière, les fake news contiennent des informations trompeuses et sont destinées
à induire en erreur les utilisateurs. De nombreux concepts liés aux fake news peuvent se recouper avec
celui-ci. Ainsi, la définition étroite a été adoptée pour définir véritablement les fake news dans cette re-
cherche, car elle permet d’éviter toute confusion avec d’autres concepts connexes pouvant être parfois
utilisés à la place des fake news dans le processus de recherche.
Dans cette thèse, le terme Fake News est défini comme un texte qui est vérifiablement faux et diffusé
avec une intention malveillante. Il y a trois aspects clés à cette définition. Premièrement, en se référant
spécifiquement aux Fake News textuelles, d’autres sources médiatiques telles que la vidéo, les images
ou l’audio sont exclues. S’attaquer à la détection des "deep fakes" nécessite des solutions IA différentes
de celles travaillant avec du texte. En tant que deuxième aspect important, la définition implique que les
Fake News peuvent être vérifiées. Il est donc possible de vérifier les affirmations énoncées comme vraies
ou fausses. En incorporant cela dans la définition, les rumeurs sont exclues car il est souvent impossible
de les vérifier. Les théories du complot relèvent de la catégorie des rumeurs car elles peuvent être consi-
dérées comme une rumeur à long terme qui énonce des affirmations difficiles à réfuter distinctement.
Enfin, la définition cible l’intention des Fake News. Puisque cette intention doit être malveillante, toutes
sortes de fausses nouvelles liées au divertissement telles que les canulars et les poissons d’avril sont
exclus. De plus, l’intention est censée être malveillante dans le sens de vouloir influencer la discussion
sociétale souvent en faveur d’une certaine propagande. Cela exclut également les textes publiés involon-
tairement incorrects, par exemple avec des chiffres transposés.
Une illustration caractéristique de désinformation est la rumeur infondée propagée délibérément par des
agents provocateurs russes concernant Hillary Clinton durant la course à la Maison Blanche de 2016,
dans le but d’influencer l’opinion publique en faveur de Donald Trump. Dans ce cas, il est évident à quel
point les Fake News peuvent être nocives. Mais il y a un problème supplémentaire lié au sujet des Fake
News. Certaines Fake News sont simplement diffusées dans le but de susciter la méfiance des gens, de
semer la confusion et d’empêcher les gens de pouvoir clairement distinguer le vrai du faux.

1.1.1 Types de fausses nouvelles

Les "fake news" désignent des informations publiées mais contenant des informations trompeuses
afin de tromper intentionnellement les lecteurs [19] à des fins malveillantes [20]. La littérature montre
qu’il existe plusieurs types de fausses nouvelles, , tel que le montre le schéma 1.1. Il s’agit de la ru-
meur, de la désinformation, de la mésinformation, du canular et de l’appât à clics [19]. Une rumeur
est une déclaration non confirmée ou non étayée, qui se répand comme une traînée de poudre [21]. La
désinformation est une information trompeuse délibérément publiée pour tromper les gens, tandis que la
désinformation est une information inexacte partagée involontairement [19]. Lorsqu’un utilisateur publie
de fausses informations avec une intention malveillante, il entre dans la catégorie de la désinformation
Fondements et État de l’Art en Détection 7

[22]. C’est le manque de connaissances des utilisateurs sur un sujet ou un domaine particulier qui est à
l’origine de la diffusion de fausses informations [19]. Une catégorie de fausses nouvelles est un canu-
lar dont le but est d’induire intentionnellement le lecteur en erreur. Il s’agit notamment d’escroquer les
utilisateurs et de leur faire perdre de l’argent [23]. Selon des études psychologiques, l’appât à clics est
l’une des formes de fausses nouvelles qui attire les lecteurs en suscitant leur intérêt pour en savoir plus
sur le titre accrocheur. Il les incite également à cliquer [35]. L’objectif de l’appât à clics est de rediriger
les lecteurs vers de faux sites web afin d’augmenter le trafic vers des sites web contenant des publicités.
Il s’agit d’un type de titre qui attire l’attention mais qui peut ne pas refléter le contenu de l’article [23].
La classification des divers formats de fausses informations est illustrée à l’aide d’un diagramme de
Venn dans la Figure 1. Le Tableau 1.1 résume les différentes catégories ainsi que de l’impact du contenu
frauduleux sur Internet.

TABLE 1.1 – Catégorisation de fausses informations

Catégorie Définition impact

Fausses nou- Des informations fausses diffusées sous Pour nuire à une agence, une
velles l’apparence de nouvelles authentiques, entité ou une personne ou
généralement propagées par le biais des pour tirer un profit finan-
médias d’information ou d’Internet, dans cier/politique.
le but de gagner politiquement ou fi-
nancièrement, d’augmenter le lectorat, ou
d’influencer de manière biaisée l’opinion
publique.
Rumeur Une information non vérifiée qui n’est Incertitude et confusion
pas nécessairement fausse ; peut s’avérer concernant les faits
vraie également.
Désinformation Information délibérément trompeuse avec Promouvoir une croyance,
une intention prédéfinie une idée, un gain financier ou
ternir l’image d’un adversaire
Clic appât Utilisation délibérée de titres trompeurs Générer des revenus publi-
pour encourager les visiteurs à cliquer sur citaires, déclencher des at-
une page web particulière taques de phishing
Canular Récit faux, notamment par le biais d’une Le mensonge est perçu
blague, d’une farce, de l’humour ou d’une comme une vérité et une
tromperie malveillante, utilisé pour dissi- réalité
muler la vérité
Fondements et État de l’Art en Détection 8

Satire/parodie Articles contenant principalement de "Le but est de s’amuser mais

l’humour et de l’ironie, sans intention no- parfois peut avoir des effets
cive mais ayant le potentiel de tromper. néfastes
The Onion et Satire Wire sont des sources
d’articles d’actualité satiriques.
Spam d’opi- Avis ou commentaires faux ou intention- "Opinion client mensongère
nion nellement biaisés sur des produits et ser-
vices"
Propagande Information injustement préjudiciable et Profit politique/financier
trompeuse diffusée dans des communau-
tés ciblées selon une stratégie prédéfinie
pour promouvoir un point de vue particu-
lier ou un agenda politique
Conspiracy une explication d’un événement qui in- Extrêmement nocif pour les
theories voque une conspiration par des acteurs si- personnes
nistres et puissants, souvent motivée po-
litiquement, reposant entièrement sur des
préjugés ou des preuves insuffisantes
Fondements et État de l’Art en Détection 9

Rumor Hoax

Fake News Disinformation

Propaganda

Misinformation Satire Opinion Spam

F IGURE 1.1 – Diagramme de Venn des fausses informations sur les médias sociaux et le
web [1].

1.1.2 Désinformation
Depuis l’ère du conflit Est-Ouest(la guerre froide), le terme "désinformation" a été un sujet de dis-
cussion tant dans les médias que dans le milieu académique. Selon Martin [24], la désinformation est
dérivée du mot soviétique « Dezinformatsiya », qui désigne la diffusion d’informations fausses et provo-
catrices. « Les services secrets de l’Union soviétique l’utilisaient comme une technique persuasive basée
sur des falsifications et des événements mis en scène ». Il classait la falsification et la fabrication comme
des parties intégrantes de la désinformation.
Bittman [25] affirme que le terme désinformation trouve ses racines dans l’allemand et a été adopté
par les anciens Soviétiques pour tromper leurs adversaires idéologiques. Tant Martin que Bittman clas-
sifient la désinformation comme une forme de propagande.
— Des informations erronées, incorrectes ou trompeuses, élaborées, présentées et promues dans le
but de causer un préjudice public ou de tirer profit de celles-ci.
— La désinformation fait référence à la création et à la diffusion délibérées d’informations que l’on
sait être fausses (Wardle[26]).
Fondements et État de l’Art en Détection 10

— C’est une forme de propagande où soit le message repose sur un acte illégal, soit il déforme un
acte légal ou une situation réelle. L’intention de la désinformation est de persuader par tous les
moyens possibles ou disponibles (Martin [24]).
— La désinformation est détournée. Introduite secrètement dans le système de communication d’un
adversaire, son intention est de tromper soit le public, auquel cas il s’agit de désinformation pro-
pagandiste, soit l’élite décisionnelle (Bittman[25]).
— La désinformation est une information intentionnellement fausse ou inexacte, délibérément diffu-
sée [27].
— La désinformation n’est évidemment pas nouvelle. Documents falsifiés, photographies truquées,
publicité trompeuse, cartes délibérément falsifiées et propagande gouvernementale [28].
— Désinformation : Des informations qui sont fausses et délibérément créées pour nuire à une per-
sonne, un groupe social, une organisation ou un pays [29].
Les sept définitions examinées et les termes connexes utilisés pour définir la désinformation incluent des
concepts comme la fausseté, l’inexactitude, la tromperie, la création délibérée, une forme de propagande,
la falsification, et la création intentionnelle. Les définitions semblent s’accorder sur l’intention de la
désinformation : causer un préjudice public, obtenir un avantage financier, persuader, tromper et causer
du tort au public ou à un pays.

1.1.3 Mésinformation
Plusieurs articles académiques définissent la mésinformation comme une erreur, une faute honnête ou
une information inexacte. Elle n’a pas pour but de tromper, mais elle est trompeuse. (Fallis [28] ). Wardle
et Derakhshan [29] ont catégorisé trois types de désordre informationnel. En plus de la désinformation
et de la mésinformation, ils incluent la mal-information, qui est définie comme une information basée
sur la réalité, utilisée pour infliger du tort à une personne, une organisation ou un pays » [29].
— C’est une information erronée ou fausse circulée à la suite d’une erreur sincère, d’une omission,
d’un préjugé ou simplement d’une ignorance (Bittman [25]).
— La mésinformation est la diffusion involontaire d’informations fausses [27].
— La mésinformation désigne le partage involontaire d’informations fausses [26].
— La mésinformation est une information inexacte résultant d’une erreur honnête ou de négligence
[30].
— Des informations trompeuses ou inexactes partagées par des personnes qui ne les reconnaissent
pas.
Les cinq définitions ci-dessus présentent une compréhension cohérente de la mésinformation. Il semble
que le milieu académique ait une compréhension commune et moins ambiguë des définitions. Plusieurs
articles et documents ont défini la mésinformation de la même manière, et nous les excluons pour éviter
les répétitions.
Fondements et État de l’Art en Détection 11

1.2 Travaux connexes

Les fausses informations sont délibérément rédigées pour tromper le public et se composent de deux
parties : l’authenticité et l’intention. L’authenticité signifie que les fausses informations contiennent des
informations fausses qui peuvent être vérifiées comme telles, ce qui signifie que la théorie du complot
n’est pas incluse dans les fausses informations car elle est difficile à prouver vraie ou fausse dans la
plupart des cas. La deuxième partie, l’intention, signifie que les fausses informations ont été rédigées
dans l’intention de tromper le lecteur. Les fausses informations existent depuis très longtemps, presque
aussi longtemps que les nouvelles ont commencé à circuler largement après l’invention de l’imprimerie
en 14397. Cependant, il n’existe pas de définition acceptée du terme "fausses nouvelles". Les fausses
nouvelles sont rapidement devenues un problème sociétal, utilisées pour diffuser de fausses informations
ou des rumeurs afin de modifier le comportement des gens. La diffusion de fausses informations a été
démontrée comme ayant eu une influence significative sur les élections présidentielles américaines de
2016.
Des définitions plus larges des fausses nouvelles se concentrent sur l’authenticité ou l’intention du
contenu des nouvelles. Certains journaux décrivent les nouvelles satiriques comme des fausses nou-
velles car le contenu est faux, même si la satire est souvent divertissante et révèle sa propre tromperie
aux consommateurs. D’autres publications qualifient directement les nouvelles trompeuses de fausses
nouvelles, ce qui inclut des fabrications sérieuses, des canulars et des satires. Afin de développer la
détection des fausses nouvelles, il est important de comprendre ce qu’elles sont et comment elles sont
caractérisées. Ce qui suit est basé sur la perspective de l’exploitation minière de données des fausses
nouvelles sur les médias sociaux [10].
L’étude réalisée par Shu, Silva, Wang, Jiliang, et Liu [10] offre une analyse approfondie des interac-
tions des utilisateurs sur les médias sociaux et de leur importance dans la détection des fausses nouvelles.
Les auteurs ont démontré que ces interactions jouent un rôle crucial dans la détermination de la véra-
cité des informations, soulignant ainsi leur pertinence dans les modèles de détection. Leur recherche a
introduit l’utilisation de caractéristiques linguistiques variées pour améliorer la précision des systèmes
de détection de fausses nouvelles. Parmi ces caractéristiques, ils ont suggéré l’inclusion du nombre to-
tal de mots, de la longueur moyenne des mots, ainsi que des fréquences de grands mots et de phrases,
utilisant des méthodes telles que les n-grammes et le sac de mots (bag of words). En outre, le balisage
des parties du discours (POS) a été proposé comme une méthode complémentaire pour enrichir l’analyse
linguistique. En explorant ces aspects, l’étude se concentre sur l’exploitation minière de données en tant
qu’approche clé pour l’extraction de caractéristiques pertinentes. Les auteurs ont également abordé les
différentes métriques d’évaluation utilisées pour mesurer l’efficacité des systèmes de détection et ont
examiné des ensembles de données représentatifs, fournissant ainsi une vue d’ensemble complète des
défis et des solutions dans le domaine de la détection de fausses nouvelles sur les médias sociaux.
L’étude menée par Wang et al. [31] a utilisé l’ensemble de données Liar pour comparer les per-
formances de plusieurs modèles de détection des fausses nouvelles, y compris les SVM , la LR, les
Fondements et État de l’Art en Détection 12

Bi-LSTM et les CNN . Cette comparaison a permis de mettre en évidence les points forts et les limites
de chaque approche. Les résultats ont montré que les réseaux neuronaux, en particulier les modèles basés
sur les CNN, ont obtenu de bons résultats pour identifier les fausses nouvelles et suivre la propagation
des informations par les utilisateurs. Wang a proposé un modèle hybride de réseau neuronal convolutif,
qui s’est avéré surpasser d’autres algorithmes d’apprentissage automatique classiques en termes de pré-
cision et d’efficacité dans la détection des fausses nouvelles. Parallèlement, Shu et al. [10] ont exploré
l’utilisation de trois sources d’informations auxiliaires disponibles sur les médias sociaux pour améliorer
l’identification des nouvelles : les actualités elles-mêmes, les éditeurs de nouvelles, et les recruteurs de
nouvelles. En établissant une connexion à trois voies entre ces acteurs, ils ont cherché à mieux cerner le
contenu des nouvelles. Cependant, l’étude de Lina et al. [32] a révélé que leur modèle Bert, qui fonc-
tionne à partir d’une seule direction d’inférence, pourrait avoir omis des informations importantes, ce qui
pourrait limiter la précision de la détection. Ces recherches montrent l’évolution continue des techniques
et des modèles pour affiner la détection des fausses nouvelles en tenant compte de diverses sources et
méthodologies.
Ruchansky et al. [33] ont proposé un modèle de détection des fausses nouvelles innovant, baptisé
CSI (Cross-Channel Social Influence), qui se distingue par son approche hybride profonde. Leur modèle
intègre une variété de variables pour évaluer la véracité des nouvelles, en tenant compte notamment de
l’engagement temporel entre un grand nombre d’utilisateurs et divers articles de presse au fil du temps.
Cette approche vise à attribuer une étiquette de catégorisation des fausses nouvelles et à générer un score
pour identifier les individus potentiellement suspects. Pour l’extraction des aspects temporels des articles
de presse, les auteurs ont utilisé un RNN, tandis que les caractéristiques sociales ont été traitées à l’aide
d’un réseau entièrement connecté. Les résultats des deux réseaux sont ensuite fusionnés pour réaliser
la catégorisation finale des nouvelles. En ce qui concerne les caractéristiques textuelles, le modèle CSI
a été testé sur deux ensembles de données distincts : l’un provenant de Twitter et l’autre de Weibo, la
plateforme de microblogging chinoise. Selon les résultats, le modèle CSI a surpassé les modèles plus
simples de 6 % en termes de précision, par rapport aux réseaux de base tels que le GRU (Gated Recur-
rent Unit). Ce résultat démontre l’efficacité de l’approche hybride de CSI pour améliorer la détection des
fausses nouvelles en exploitant à la fois les dimensions temporelles et sociales des informations. Bajaj
et al.[34] ont utilisé des réseaux neuronaux convolutifs pour aborder le problème d’un point de vue pu-
rement NLP (CNN). Le projet de l’Université Stanford vise à créer un classificateur qui peut déterminer
si un matériau est vrai ou frauduleux uniquement sur la base de son contenu. Plusieurs architectures ont
été étudiées, y compris une conception CNN novatrice qui inclut un mécanisme d’attention.
Dans leur étude, Tacchini et al. [35] ont exploré l’amélioration de la détection des fausses nouvelles
en utilisant les caractéristiques des médias sociaux pour renforcer la fiabilité de leur modèle de classifi-
cation. Leur approche se base sur deux techniques principales : la régression logistique et l’algorithme
harmonique. La régression logistique est un modèle statistique largement utilisé pour la classification
binaire, permettant de prédire la probabilité qu’une information appartienne à une catégorie spécifique,
dans ce cas, celle des canulars ou des non-canulars. Cependant, Tacchini et al. ont introduit l’algorithme
Fondements et État de l’Art en Détection 13

harmonique comme une méthode complémentaire pour améliorer la performance de leur détecteur.
L’algorithme harmonique se distingue par sa capacité à transférer des informations entre les uti-
lisateurs qui ont montré un intérêt commun pour certains messages. En d’autres termes, il utilise les
interactions et les préférences des utilisateurs sur les médias sociaux pour relier et évaluer les messages
en fonction de leur propagation et de leur réception au sein de différents groupes d’utilisateurs. Cette
approche permet d’intégrer des informations contextuelles supplémentaires en tirant parti des compor-
tements sociaux observés sur les plateformes. Les résultats de l’étude montrent que l’algorithme har-
monique surpasse la régression logistique en termes de précision et d’efficacité pour la classification
des informations, soulignant ainsi l’avantage de l’approche basée sur les interactions sociales pour dé-
tecter les canulars. En intégrant ces caractéristiques sociales, Tacchini et al.[35] ont réussi à améliorer
significativement la performance de leur système de détection des fausses nouvelles.
Ahmed et al. [36] ont proposé une approche novatrice pour la détection automatique des fausses
informations en se concentrant sur les avis et les nouvelles. Leur modèle repose sur l’utilisation d’n-
grammes, une technique de traitement du langage naturel qui permet de capturer des séquences de mots
contiguës dans le texte, afin d’améliorer l’identification des contenus trompeurs. Pour évaluer l’efficacité
de leur modèle, les auteurs ont comparé deux méthodes d’extraction de caractéristiques : la fréquence
des termes (tf) et la fréquence des termes inverse de la fréquence des documents (tf-idf). La première
méthode mesure la fréquence absolue des mots dans un document, tandis que la deuxième ajuste cette
fréquence en fonction de l’importance relative des mots dans l’ensemble des documents, permettant ainsi
de mettre en avant les termes significatifs et réduisant l’impact des termes fréquents mais peu informatifs.
Ahmed et al. ont testé six algorithmes de classification d’apprentissage automatique pour déterminer
lesquels sont les plus efficaces pour la détection des fausses informations. Parmi ces algorithmes, ils ont
évalué à la fois des classificateurs linéaires et non linéaires. Les classificateurs linéaires tels que la Ma-
chine à Vecteurs de Support linéaire , la Descente de Gradient Stochastique et la Régression Logistique
se sont révélés plus performants que les modèles non linéaires pour la classification des faux avis et
des nouvelles. Cette observation suggère que les techniques linéaires, malgré leur simplicité apparente,
peuvent offrir une meilleure précision dans la détection des informations trompeuses, probablement en
raison de leur capacité à capturer efficacement les relations linéaires entre les caractéristiques textuelles.
Dans l’étude de Gupta et al. [37], les chercheurs ont développé un modèle semi-supervisé innovant
pour la classification en temps réel des tweets, baptisé TweetCred. Ce modèle se distingue par son ap-
proche combinant à la fois des méthodes supervisées et non supervisées pour évaluer la crédibilité des
tweets. Il a été formé en utilisant un vaste ensemble de données comprenant 5,4 millions de tweets, ce
qui témoigne de la richesse et de la diversité des informations sur lesquelles le modèle s’appuie.
TweetCred intègre une variété de caractéristiques pour évaluer la véracité des tweets. Ces caractéris-
tiques incluent :
— Les métadonnées : Informations complémentaires sur les tweets, telles que la date et l’heure de
publication, qui peuvent fournir un contexte utile pour évaluer la crédibilité.
Fondements et État de l’Art en Détection 14

— Le contenu des tweets : Le texte même des tweets est analysé pour détecter des indices linguis-
tiques ou des motifs qui pourraient indiquer la présence de fausses informations.
— Les informations linguistiques : Des caractéristiques telles que la structure du texte, le choix des
mots et la syntaxe sont examinées pour identifier des anomalies ou des signes typiques de désin-
formation.
— L’auteur du tweet : Les attributs de l’utilisateur, comme son historique de publication, ses interac-
tions et son influence, sont pris en compte pour évaluer sa crédibilité.
— Le réseau de l’auteur : L’analyse des relations entre l’auteur et ses abonnés, ainsi que les inter-
actions dans le réseau social, peut fournir des informations supplémentaires sur la fiabilité de
l’information partagée.
— Les liens inclus dans les tweets : Les URLs ou les liens partagés dans les tweets sont vérifiés pour
déterminer leur authenticité et leur fiabilité.
En combinant ces diverses sources d’information, le modèle TweetCred a atteint une précision de plus
de 80%, ce qui souligne son efficacité dans l’identification des tweets crédibles et non crédibles en temps
réel. Cette performance est particulièrement remarquable compte tenu de la complexité et de la diversité
des données traitées, ainsi que du défi inhérent à la détection des fausses informations dans un flux
continu de contenu généré par les utilisateurs.
Dans l’étude menée par Volkova et al. [38], une approche innovante pour la vérification des tweets
a été introduite, utilisant des réseaux neuronaux enrichis avec des données linguistiques. Cette méthode
vise à améliorer la classification des tweets en différentes catégories, telles que l’authenticité ou la dés-
information, en exploitant des caractéristiques linguistiques et sociales spécifiques.
L’étude s’appuie sur un vaste ensemble de données composé de 130 000 tweets, ce qui permet d’avoir
une base solide pour l’entraînement et l’évaluation du modèle. L’approche de vérification multi-classes
proposée repose sur plusieurs types de caractéristiques :
— Le texte des tweets : Les données textuelles sont analysées pour identifier les motifs et les indices
susceptibles de signaler des biais ou de la subjectivité.
— Le graphe social : Les relations et les interactions au sein du réseau social sont prises en compte
pour évaluer l’influence et la crédibilité des utilisateurs qui ont posté les tweets.
— Des marqueurs linguistiques de biais et de subjectivité : L’analyse linguistique approfondie aide à
détecter les biais potentiels et la subjectivité dans le texte, des indicateurs cruciaux pour évaluer la
fiabilité des informations.
— Des traits moraux : Les caractéristiques liées aux normes éthiques et morales sont examinées pour
comprendre la nature des informations diffusées et leur impact potentiel sur les lecteurs.
Grâce à cette approche riche et multidimensionnelle, le modèle développé par Volkova et al. a atteint
une précision remarquable de 95%. Ce résultat indique une capacité élevée à différencier entre les tweets
crédibles et non crédibles, en intégrant non seulement les aspects textuels, mais aussi les dimensions
Fondements et État de l’Art en Détection 15

sociales et linguistiques. La combinaison de ces éléments permet au modèle de faire une évaluation plus
complète et précise de la véracité des tweets, surmontant ainsi certains des défis typiques associés à la
détection des fausses informations sur les réseaux sociaux.
Dans l’étude de Wei et al. [39], les auteurs ont développé un modèle non supervisé dédié à l’identi-
fication des titres trompeurs dans le domaine des nouvelles. Leur approche se distingue par l’absence de
supervision explicite durant l’entraînement du modèle, ce qui signifie que le système ne nécessite pas de
données étiquetées pour apprendre à détecter les titres trompeurs. Cette méthode permet d’explorer des
aspects sous-jacents des titres sans être limité par les biais des étiquettes préexistantes.
Pour mener à bien cette tâche, Wei et al. [39] ont utilisé un ensemble de données substantiel composé
de 40 000 nouvelles en chinois, ce qui assure une couverture étendue des variations possibles de titres
trompeurs et authentiques. Les caractéristiques analysées par le modèle comprennent :
— Le nombre de mots : L’analyse du nombre de mots dans les titres permet de détecter des structures
atypiques ou exagérées qui peuvent être associées à des titres trompeurs.
— Le nombre de chiffres : La présence et la fréquence des chiffres peuvent être des indicateurs de
titres conçus pour attirer l’attention ou exagérer des informations.
— Le nombre de signes de ponctuation : Les titres contenant une ponctuation excessive ou atypique
peuvent être suspectés de chercher à manipuler l’attention du lecteur.
— Les termes accrocheurs : L’utilisation de mots ou phrases accrocheurs est souvent un trait carac-
téristique des titres trompeurs, visant à susciter une réaction émotionnelle ou une curiosité non
justifiée.
— Les sentiments : L’analyse des sentiments exprimés dans les titres permet d’évaluer s’ils sont
excessivement positifs ou négatifs, ce qui peut être un indicateur de tromperie ou de manipulation
émotionnelle.
— La distance entre les mots : L’examen de la distance entre les mots dans les titres peut révéler des
structures linguistiques particulières associées aux titres trompeurs.
Le modèle proposé par Wei et al. [39] a démontré une précision de 65% dans l’identification des titres
trompeurs. Bien que cette précision ne soit pas aussi élevée que certains modèles supervisés, elle repré-
sente un progrès significatif dans le développement de méthodes non supervisées pour la détection des
titres trompeurs. Cette approche est particulièrement utile dans les contextes où des données étiquetées
sont difficiles à obtenir, offrant une alternative viable pour l’analyse des titres de nouvelles et la détection
de la tromperie.
Dans l’étude de Tabibian et al. [40], les chercheurs ont développé un cadre innovant pour modéliser
les processus ponctuels temporels de réfutation et de vérification dans les référentiels de connaissances en
ligne, en se concentrant particulièrement sur des plateformes collaboratives comme Wikipédia et Stack
Overflow. Ce cadre vise à comprendre comment la crédibilité et la fiabilité des informations évoluent au
fil du temps et en réponse à divers événements externes.
Fondements et État de l’Art en Détection 16

L’étude repose sur un vaste ensemble de données comprenant 19 millions d’événements extraits de
100 000 articles de Wikipédia, ainsi que 1 million d’événements provenant de Stack Overflow. L’ampleur
de ces données permet une analyse approfondie des dynamiques de vérification et de réfutation des
informations dans ces contextes en ligne.
Le modèle développé par Tabibian et al. examine plusieurs aspects critiques de la fiabilité des sources
et des informations :
— Fiabilité des sources : Le cadre révèle que les sources les plus actives, c’est-à-dire celles qui contri-
buent fréquemment au contenu, tendent à être plus fiables. Cette observation s’explique par le
fait que l’activité continue permet une meilleure surveillance et correction des erreurs. Toutefois,
l’étude montre également que des sources moins actives peuvent également être crédibles, ce qui
suggère que la fiabilité ne dépend pas uniquement de la fréquence des contributions mais aussi de
la qualité et de la précision des informations fournies.
— Changements de fiabilité : Le modèle indique que les variations dans la fiabilité des articles sont
souvent corrélées avec des événements externes notables, tels que des découvertes scientifiques,
des changements politiques ou des crises sociales. Cette corrélation met en évidence comment les
processus de vérification et de réfutation sont influencés par des événements pertinents et signifi-
catifs dans le monde réel.
— Questions et réponses sur Stack Overflow : L’analyse des questions et réponses sur Stack Over-
flow montre que ces éléments sont regroupés en fonction de leur popularité et de leur difficulté.
Les questions populaires ou difficiles sont plus susceptibles d’attirer des réponses précises et bien
vérifiées, ce qui contribue à l’amélioration générale de la qualité des informations sur la plate-
forme.
Le cadre proposé par Tabibian et al. offre une perspective précieuse sur les mécanismes de vérification
et de réfutation des connaissances en ligne, soulignant l’importance de la dynamique temporelle et de
la réponse aux événements externes dans l’évaluation de la crédibilité des informations. Cette approche
enrichit notre compréhension des processus de validation des informations sur les plateformes colla-
boratives et peut guider le développement de systèmes plus efficaces pour la gestion de la qualité des
contenus en ligne.
Ciampaglia et al.[41] ont proposé un modèle de vérification des faits en utilisant des graphes de
connaissances et le calcul du plus court chemin entre des nœuds conceptuels basés sur des mesures de
proximité sémantique. Le modèle utilise une base de données factuelle, DBpedia, contenant 3 millions
de nœuds entités et 23 millions d’arêtes, et atteint une précision de plus de 70 %.
Castillo et al.[42] ont présenté un modèle de vérification de la crédibilité des déclarations sur les
microblogs relatifs à des sujets tendance, basé sur l’apprentissage automatique. Le jeu de données com-
prenait 2 500 sujets différents et 10 000 tweets, avec des caractéristiques comme le comportement de
tweet et de retweet, le contenu des déclarations et les liens vers des sources externes. Le modèle a obtenu
une précision de plus de 70 %.
Fondements et État de l’Art en Détection 17

Kwon et al.[43] ont développé un modèle de détection des rumeurs en fonction des schémas de
propagation cumulés des rumeurs dans le temps. Ce modèle s’appuie sur 1,7 milliard de tweets et utilise
des caractéristiques basées sur l’utilisateur, la structure, le langage et le temps. Les résultats ont montré
que les caractéristiques des utilisateurs sont prédictives au début de la circulation des rumeurs, tandis
que les caractéristiques linguistiques restent des indicateurs puissants et stables.
Wu et al.[44] ont proposé la plateforme NICE pour évaluer la crédibilité de l’information sur les mé-
dias sociaux, en collectant une base de données de rumeurs vérifiées sur Sina Weibo. Avec un ensemble
de données de 936 événements, leur modèle a atteint une précision de 88 % pour les rumeurs et 94 %
pour les non-rumeurs.
Liu et al.[45] ont conçu un algorithme d’apprentissage semi-supervisé capable de sélectionner les
instances les plus informatives, maximisant ainsi l’influence des étiquettes d’experts. Ils ont utilisé le jeu
de données "20 News Group" et ont atteint une précision de 95 % avec seulement 23 % des instances
validées par un expert.
Tschiatschek et al.[46] ont développé l’algorithme Detective, qui utilise l’activité de signalement des
utilisateurs pour détecter les fausses informations. Ils ont utilisé un jeu de données Facebook comprenant
4 039 utilisateurs et 88 234 liens, et leur algorithme a montré des performances compétitives tout en
restant robuste même lorsque la majorité des utilisateurs sont des adversaires.
Liu et al.[47] ont introduit un modèle de détection précoce de fausses informations sur les médias so-
ciaux, classifiant les chemins de propagation des nouvelles via des réseaux neuronaux récurrents (RNN)
et des réseaux convolutifs (CNN). Le modèle a été testé sur des données de Weibo et Twitter, atteignant
une précision de 92 % sur Twitter et 85 % sur Weibo.
Ma et al.[48] ont proposé un modèle basé sur des RNN pour apprendre des représentations cachées
capturant la variation des informations contextuelles des publications au fil du temps. Utilisant 5 millions
d’affirmations, leur modèle surpasse les approches traditionnelles de détection de rumeurs et détecte les
rumeurs plus rapidement et avec plus de précision que les techniques existantes.
Ruchansky et al.[33] ont proposé le modèle CSI (Capture, Score, Integrate), un modèle hybride pour
la détection de fausses informations. Ce modèle s’appuie sur des données provenant de Weibo et Twitter,
analysant le texte d’un article, les réponses des utilisateurs et les utilisateurs sources promouvant l’article.
Le modèle a atteint 89 % de précision sur Twitter et 95 % sur Weibo, dépassant les modèles existants.
Singhania et al.[49] ont introduit un détecteur automatique utilisant un réseau d’attention hiérar-
chique à trois niveaux (3HAN). Testé sur 40 000 articles de sites de fausses et authentiques nouvelles,
le modèle a utilisé des plongements de mots (GloVe) et des caractéristiques de contenu, obtenant une
précision de 97 %.
Popat et al.[50] ont développé un modèle de réseau neuronal qui agrège des signaux externes comme
le langage et la fiabilité des sources pour détecter les fausses informations, rendant les prédictions trans-
parentes. Ils ont testé leur modèle sur Snopes, Politifact, et un ensemble de données de rumeurs Twitter,
atteignant 57 % de précision sur SemEval, 78 % sur Snopes et 67 % sur Politifact.
Fondements et État de l’Art en Détection 18

Zagkotsis et al.[51] ont proposé un modèle TI-CNN qui intègre des informations textuelles et vi-
suelles pour détecter les fausses informations. Basé sur un corpus de 20 015 nouvelles (11 941 fausses
et 8 074 vraies), leur modèle a utilisé des caractéristiques linguistiques, de ponctuation, et d’analyse de
sentiment, atteignant une précision de 92 %.
Zagkotsis et al.[52] ont utilisé des plongements de mots (GloVe, Fasttext, Word2Vec) pour classifier
des articles à texte long et des déclarations à texte court. Sur le corpus Fake News Corpus, leur modèle a
atteint une précision de 81 % avec des plongements de mots et l’apprentissage profond.
Nassif et al.[53] ont mené une étude sur l’utilisation de huit modèles d’incorporation contextuelle
pour la détection de fausses informations en arabe. L’étude inclut deux ensembles de données d’actualités
arabes, analysant des classificateurs basés sur des transformateurs.
Hegazi et al.[54] ont proposé une méthode d’extraction d’informations à partir de textes arabes,
incluant des étapes comme le nettoyage et l’enrichissement. Ils ont collecté des données textuelles arabes
depuis des serveurs de réseaux sociaux, créant un ensemble de données bien structuré et curaté.
Shishah et al.[55] ont introduit un cadre basé sur BERT pour l’extraction automatisée de caractéris-
tiques d’entités, surpassant d’autres méthodes testées en termes de précision, rappel et score F1.
Sorour et al.[56] ont proposé un modèle hybride CNN-LSTM pour la détection des fausses infor-
mations en arabe, atteignant une précision de 81,6 % sur un ensemble de données collectant des titres
d’actualités arabes.
Alzanin et al.[57] ont conçu un système de classification à cinq catégories pour les tweets arabes,
utilisant des caractéristiques linguistiques et le contenu, surpassant les scores existants avec une approche
RNN-GRU.
Kula et al.[58] ont proposé un modèle basé sur des réseaux DNN entraînés avec la bibliothèque Flair,
atteignant une précision de 99,8 % sur des ensembles de données disponibles sur Kaggle.
Sastrawan et al.[59] ont utilisé une approche combinant des embeddings de mots pré-entraînés, CNN,
LSTM et ResNet, réduisant les déséquilibres de classes grâce à une augmentation de données, et obtenant
de meilleures performances avec l’architecture LSTM.
Ahmad et al.[60] ont utilisé un outil LIWC pour extraire des caractéristiques textuelles d’articles de
fausses et vraies informations, atteignant de bonnes performances avec des apprenants en ensemble sur
plusieurs ensembles de données disponibles sur Kaggle.
La Figure 1.2 présente une courbe illustrant la précision des différentes études sur la détection des
fausses informations. Cette courbe permet de visualiser les performances des modèles et des approches
proposées par chaque étude en termes de précision, mesurée en [Link] figure fournit un aperçu
visuel précieux des performances relatives des différents modèles et algorithmes de détection des fausses
informations. Elle met en évidence à la fois les succès significatifs dans le domaine et les défis persis-
tants qui pourraient nécessiter des améliorations ou des recherches supplémentaires pour améliorer la
précision globale des systèmes de détection de fausses informations.
Fondements et État de l’Art en Détection 19

F IGURE 1.2 – Précision des Études sur la Détection des Fausses Informations

F IGURE 1.3 – Évolution du Nombre de Publications sur la Détection des Fausses Informa-
tions de 2014 à Aujourd’hui
Fondements et État de l’Art en Détection 20

La Figure 1.3 illustre l’évolution du nombre de publications sur la détection des fausses informa-
tions de 2014 à aujourd’hui. Cette figure montre une tendance continue à la hausse dans le volume des
recherches publiées sur ce sujet au fil des années. L’axe des abscisses (x) représente les années, tandis
que l’axe des ordonnées (y) indique le nombre de publications annuelles. On observe une croissance
exponentielle depuis 2014, avec un nombre de publications qui ne cesse d’augmenter chaque année.
Cette tendance souligne l’intérêt croissant pour la détection des fausses informations, en réponse à la
montée en puissance des médias sociaux et à la prévalence des informations erronées dans l’espace nu-
mérique. En particulier, les années récentes affichent des pics notables dans la publication de nouveaux
articles, ce qui reflète à la fois une intensification des efforts de recherche et une reconnaissance accrue
de l’importance de ce domaine.
La figure révèle également que la recherche sur la détection des fausses informations est devenue
un domaine de plus en plus dynamique et pertinent, avec une augmentation substantielle du nombre
de contributions scientifiques. Cette tendance indique non seulement l’expansion continue des connais-
sances dans ce domaine mais aussi une nécessité croissante de solutions innovantes pour contrer la
propagation des fausses [Link] figure met en évidence la montée en puissance constante des publi-
cations sur la détection des fausses informations, témoignant d’une attention croissante et d’une intensi-
fication des efforts de recherche pour aborder ce problème complexe et omniprésent dans notre société
numérique.
Les travaux connexes présentés révèlent une dynamique d’innovation et d’évolution dans le domaine
de la détection des fausses informations, illustrant la variété des approches et des techniques employées
pour faire face à ce défi. De l’approche non supervisée de Wei et al.[39] à l’utilisation de graphes de
connaissances par Ciampaglia et al.[41], chaque étude apporte des contributions uniques qui enrichissent
la compréhension des mécanismes sous-jacents à la tromperie médiatique.L’analyse des performances
des modèles, comme le montre la Figure 2.2, indique des avancées significatives, mais également des
limites qui nécessitent une attention particulière. Par exemple, bien que certains modèles atteignent des
précisions élevées, la variabilité des résultats suggère que les systèmes de détection doivent encore être
optimisés pour garantir une fiabilité accrue. Les caractéristiques examinées, telles que le nombre de mots,
la présence de chiffres, et l’analyse des sentiments, démontrent l’importance d’une extraction de caracté-
ristiques approfondie pour capturer les nuances du langage et des structures de titres [Link] Figure
2.3 souligne la montée en puissance des publications sur la détection des fausses informations, indiquant
un intérêt croissant de la communauté scientifique. Cela reflète non seulement la nécessité d’aborder la
question des fausses nouvelles, mais aussi l’évolution des outils et des méthodologies disponibles pour
analyser ce phénomène [Link], malgré cette diversité d’approches, il est crucial de recon-
naître que la détection des fausses informations ne se limite pas à l’analyse des images ou des vidéos, qui
présentent leurs propres défis techniques. La phase de détection du texte revêt une importance majeure,
car la majorité des fausses informations circulent sous forme écrite. Le texte, en tant que vecteur principal
de la désinformation, nécessite une attention particulière, tant en ce qui concerne l’analyse linguistique
que la compréhension des contextes sociaux et culturels dans lesquels ces informations sont diffusé[Link]
Fondements et État de l’Art en Détection 21

conséquence, cette recherche se concentrera exclusivement sur la phase de détection du texte. En affinant
les techniques de traitement du langage naturel et en intégrant des modèles avancés tels que les réseaux
neuronaux, nous visons à développer un système robuste capable d’identifier et de classer efficacement
les informations trompeuses. Ce choix stratégique permettra de maximiser les ressources et les efforts
de recherche pour faire face à un problème qui demeure d’une importance cruciale dans notre société
numérique. La priorité accordée à la détection textuelle s’inscrit donc dans un contexte où la lutte contre
la désinformation est plus pertinente que jamais, et où des solutions innovantes sont essentielles pour
restaurer la confiance dans les médias et les informations disponibles au public.

1.3 Extraction de caractéristiques

Il existe plusieurs caractéristiques spécifiquement utilisées pour représenter les fausses nouvelles,
qui sont divisées en trois catégories principales, à savoir les caractéristiques basées sur la création, les
caractéristiques basées sur le contenu de l’actualité et les caractéristiques basées sur le contexte social.

1.3.1 Caractéristiques basées sur l’utilisateur

Les caractéristiques basées sur l’utilisateur(User-Based Features) sont conçues pour identifier des
caractéristiques spécifiques des utilisateurs suspects ou des comptes non humains et sont classées en
fonction du profilage des utilisateurs, de la crédibilité des utilisateurs et des caractéristiques du compor-
tement des utilisateurs. Les caractéristiques de profilage des utilisateurs rassemblent des informations de
base sur l’utilisateur, telles que leur nom de compte, leurs données de géolocalisation et leur date d’ins-
cription. Les caractéristiques de crédibilité des utilisateurs évaluent l’impact et la fiabilité du compte en
ligne, en tenant compte de caractéristiques telles que le score de crédibilité de l’utilisateur, le nombre
d’amis et de followers, ainsi que le nombre total de publications ou de tweets. Les caractéristiques du
comportement des utilisateurs sont destinées à identifier les schémas dans le comportement en ligne
des utilisateurs légitimes et trompeurs. Ces caractéristiques font partie d’un ensemble plus large de ca-
ractéristiques de contexte social. Elles comprennent le score d’anomalie de l’utilisateur, qui est calculé
en divisant le nombre d’interactions de l’utilisateur dans un laps de temps spécifique par sa moyenne
mensuelle.

1.3.2 Caractéristiques basées sur le contenu

Les caractéristiques basées sur le contenu des actualités (News content-based features) peuvent éga-
lement être utilisées pour détecter les fausses nouvelles. Ces caractéristiques peuvent être catégorisées
en trois types : les caractéristiques basées sur la linguistique et la syntaxe, les caractéristiques basées sur
le style, et les caractéristiques basées sur les aspects visuels. Ces caractéristiques fournissent des indices
explicites pour la détection des fausses nouvelles et sont couramment utilisées pour la représentation et
l’analyse des fausses nouvelles.
Fondements et État de l’Art en Détection 22

Les caractéristiques basées sur la linguistique et la syntaxe sont des aspects fondamentaux du lan-
gage naturel, incluant des composants tels que la structure et la sémantique. Ces caractéristiques sont
précieuses pour analyser le contenu suspect des actualités, même si les fausses nouvelles sont inten-
tionnellement générées pour induire en erreur les utilisateurs en ligne. Les caractéristiques basées sur
la linguistique et la syntaxe peuvent être catégorisées en trois types :Les caractéristiques du mot, de la
phrase et du contenu sont présentes. Les caractéristiques au niveau du mot incluent le sac de mots (bag-
of-words), les n-grammes, la fréquence des termes (TF), le TF-IDF (Term Frequency-Inverted Document
Frequency), etc. Les caractéristiques au niveau de la phrase incluent les parties du discours (POS), la lon-
gueur moyenne des phrases[61], la fréquence des ponctuations, etc. Enfin, les caractéristiques au niveau
du contenu incluent les informations brutes sur le contenu méta des actualités[10].
Le but des caractéristiques basées sur le style est de distinguer les caractéristiques uniques des styles
d’écriture entre les auteurs de fausses nouvelles et les auteurs de vraies nouvelles. Malgré les tenta-
tives des auteurs de fausses nouvelles d’imiter le style d’écriture des auteurs de nouvelles légitimes, il
existe encore des différences détectables qui peuvent être utilisées pour identifier les créateurs de fausses
nouvelles.
Les caractéristiques basées sur les aspects visuels sont l’un des aspects les plus importants de la
détection des fausses nouvelles, car les actualités comportant des éléments visuels ont tendance à être
plus crédibles et à se propager plus rapidement. Les caractéristiques basées sur les aspects visuels, telles
que le nombre d’images ou de vidéos, les scores de clarté et de cohérence, l’histogramme de distribution
de similarité, le score de diversité, les scores de regroupement, et les ratios d’images, sont cruciales pour
identifier les informations suspectes ou trompeuses dans le nouveau contenu.

1.3.3 Caractéristiques basées sur le contexte social

Les caractéristiques basées sur le contexte social (Social Context-based Features) sont destinées à
montrer comment les actualités en ligne sont distribuées et comment les utilisateurs interagissent avec
celles-ci. Ces caractéristiques peuvent être catégorisées en trois types : Les caractéristiques liées au
réseau, les caractéristiques liées à la répartition et les caractéristiques liées au temps.
Analyse basée sur le réseau : L’analyse basée sur le réseau se concentre sur un groupe spécifique
d’utilisateurs en ligne ayant des caractéristiques similaires telles que la localisation, le niveau d’éducation
et les habitudes. Les caractéristiques basées sur le réseau sont sélectionnées et extraites de ces groupes
pour étudier leurs caractéristiques uniques ainsi que les similitudes et les différences entre différents
comptes en ligne.
Caractéristiques basées sur l’impact : Les caractéristiques basées sur l’impact sont utilisées pour
capturer le schéma de diffusion unique des actualités en ligne, généralement en construisant un arbre de
propagation pour décrire la nature de la distribution d’un article d’actualité. Les caractéristiques liées
à l’arbre de propagation comprennent le degré de la racine, le nombre maximum de sous-arbres, et le
degré et la profondeur maximum/moyenne de l’arbre.
Fondements et État de l’Art en Détection 23

Caractéristiques basées sur le temporel : Les caractéristiques basées sur le temporel sont utilisées
pour décrire le comportement de publication des créateurs d’actualités en ligne dans une série temporelle,
ce qui peut être utile pour détecter des activités de publication suspectes et indiquer le degré de fausseté
des actualités en ligne. Les caractéristiques basées sur le temporel couramment utilisées comprennent
l’intervalle entre deux publications, la fréquence de publication, de réponse et de commentaire pour un
certain compte, l’heure de la journée à laquelle l’information originale est publiée/partagée/commentée,
et le jour de la semaine où la publication est effectuée.
Dans cette thèse, nous travaillerons spécifiquement sur le contenu textuel et le contenu visuel. Par
conséquent, nous donnerons une explication plus approfondie sur les caractéristiques textuelles et vi-
suelles qui aident à la caractérisation des fausses nouvelles.

1.3.4 Le contenu visuel

La technologie multimédia fait référence à l’utilisation de plusieurs formes de médias telles que l’au-
dio, la vidéo, les images et le texte pour transmettre des informations. Avec l’avancement rapide de la
technologie multimédia, les actualités des médias personnels ont évolué des publications basées sur du
texte vers des publications multimédias comprenant des images ou des vidéos. Cette évolution a permis
de meilleures capacités de narration et a attiré davantage l’attention des lecteurs. Dans le passé, les actua-
lités des médias personnels étaient principalement basées sur du texte. Bien que cette approche permettait
des reportages et des analyses approfondis, elle manquait des éléments visuels qui peuvent donner vie
à une histoire. Grâce à l’avancement de la technologie multimédia, les actualités des médias personnels
peuvent désormais être enrichies avec des images, des vidéos et des sons qui aident les lecteurs à mieux
comprendre et à se connecter au contenu.
Les publications multimédias sous forme d’images et de vidéos présentent plusieurs avantages par
rapport aux publications basées sur du texte, car elles sont plus engageantes, captent plus rapidement
l’attention et sont plus susceptibles d’être partagées sur les plateformes de médias sociaux. De plus,
le contenu multimédia est également plus susceptible d’être mémorisé que le contenu textuel, ce qui
en fait un outil puissant pour les créateurs d’actualités des médias personnels. De plus, l’utilisation de
contenus multimédias dans les actualités des médias personnels a permis aux créateurs de raconter des
histoires plus captivantes. En utilisant un mélange de différents formats de médias, les créateurs peuvent
créer une expérience plus immersive qui aide les lecteurs à se connecter au contenu à un niveau plus
profond. Les fausses nouvelles tirent parti de la technologie multimédia en utilisant des images falsifiées
ou modifiées pour attirer et tromper les lecteurs, ce qui fait du contenu visuel une partie essentielle des
fausses nouvelles qu’il ne faut pas ignorer.
Fondements et État de l’Art en Détection 24

1.4 Le contenu basée sur le texte

Dans cette méthode, nous cherchons des motifs à travers les caractéristiques textuelles qui sont ex-
traites des articles d’actualité. Les caractéristiques textuelles font référence aux éléments tirés du titre ou
du texte principal des articles d’actualité [10]. Il existe trois types de caractéristiques textuelles : les ca-
ractéristiques linguistiques, les caractéristiques textuelles à faible rang, et les caractéristiques textuelles
neuronales. Les caractéristiques linguistiques analysent le texte à différents niveaux tels que les mots,
les phrases et les syntagmes, et fournissent différentes caractéristiques des fausses nouvelles par rapport
aux nouvelles factuelles [10]. Des exemples de caractéristiques linguistiques incluent les caractéristiques
lexicales, syntaxiques et sémantiques (par exemple, TF, TF-IDF) [10, 62]. Les modèles à faible rang uti-
lisent la factorisation de tenseurs ou de matrices pour extraire une représentation textuelle à petite échelle
à partir d’une matrice de caractéristiques d’entrée à grande échelle et bruyante [10]. Les caractéristiques
textuelles neuronales reposent sur des représentations vectorielles denses telles que les méthodes d’in-
corporation (Word2Vec, GloVe, fastText, etc.), plutôt que sur des caractéristiques à haute dimension et
éparses [62]. Par conséquent, nous pouvons considérer la détection de fausses nouvelles basée sur le
texte comme un problème de classification.
Malgré la plupart des études utilisant des modèles d’apprentissage supervisé pour détecter les fausses
nouvelles, certaines études ont utilisé des modèles d’apprentissage non supervisé [63, 64], semi-supervisé
[65, 11, 66] et par renforcement [67]. Dans cette étude, nous nous concentrons sur les études qui ont uti-
lisé des caractéristiques linguistiques et des caractéristiques textuelles neuronales pour la détection de
fausses nouvelles. Non seulement parce qu’elles ont montré la capacité de discriminer avec précision
entre les vraies et les fausses nouvelles, mais aussi parce qu’elles sont couramment utilisées en raison de
l’abondance de l’information textuelle présente dans toutes les actualités. De plus, il existe un manque
de jeux de données avec d’autres types de caractéristiques.
Il existe une multitude d’études sur la détection de fausses nouvelles basée sur le texte. Nous pou-
vons classifier les travaux existants en fonction des définitions, des termes connexes, de la langue, des
approches de détection de fausses nouvelles, et des méthodes d’extraction de caractéristiques. À cet
égard, La langue la plus étudiée dans dans le contexte de la détection de fausses nouvelles est l’anglais.
Cependant, des progrès récents ont également été réalisés dans de nombreuses autres langues comme le
slovaque [68, 69], l’ourdou [70, 71, 72],l’indien [73], le chinois [74].... Il existe également des études
qui associent les fausses nouvelles à des termes comme rumeur [75, 76], actualité satirique[77]....
Selon la tâche de détection de fausses nouvelles, la plupart des travaux utilisent des approches d’ap-
prentissage supervisé. À cet égard, d’une part, certains travaux utilisent des classificateurs monolithiques
pour classer les actualités. D’autre part, certains travaux utilisent des classificateurs par ensemble pour
les tâches de classification des actualités. La plupart des articles récents utilisent davantage de méthodes
d’incorporation de mots et de méthodes pré-entraînées que des méthodes Bag-of-Words, N-grammes et
Vectoriseur de Comptage, car les méthodes d’incorporation de mots peuvent fournir des informations
sur la relation entre les mots et représentent, par conséquent, une amélioration des performances.
Fondements et État de l’Art en Détection 25

En ce qui concerne les modèles de classificateurs, différents paradigmes ont été mis en œuvre ;
des algorithmes basés sur les arbres tels que les arbres de décision (DT) et les forêts aléatoires (RF)
[78, 79, 80, 81], des réseaux neuronaux artificiels tels que le perceptron multicouche (MLP) [82, 83] et
les réseaux neuronaux convolutifs (CNN) [31, 84, 85], le bayésien naïf (NB)[78, 80], et les machines à
vecteurs de support (SVM) [78, 79, 80, 81]. Les approches par ensemble peuvent comprendre des mo-
dèles d’ensemble profonds et des modèles d’ensemble d’apprentissage machine. La plupart des travaux
utilisent des caractéristiques linguistiques pour entraîner les modèles ; cependant, certains travaux uti-
lisent des caractéristiques visuelles [86, 12] ou des caractéristiques sociales [87, 88]. Il existe des études
qui ont utilisé une approche d’apprentissage multi-vue [89, 90, 91].

1.5 Détection des fausses informations

Dans cette partie, nous décrirons les mécanismes de détection des fausses informations en nous
concentrant sur les méthodes basées sur le texte.

1.5.1 Base de connaissances

Tester la véracité des déclarations principales dans un article de presse est le meilleur moyen d’éva-
luer la vérité des informations. Pour ce faire, des approches basées sur la connaissance, qui impliquent
l’utilisation de sources externes pour vérifier les déclarations rapportées dans le journalisme, peuvent être
utilisées. La vérification des faits est une méthode initialement développée dans le journalisme, qui vise
à tester la validité des informations en confrontant les informations issues des articles de presse à vérifier
(par exemple, ses revendications ou déclarations) avec des faits connus (par exemple, des informations
vérifiées). Il y a eu un intérêt croissant pour la vérification des faits, et plusieurs tentatives ont été faites
pour développer des programmes de vérification des faits automatisés et pratiques. La vérification des
faits peut être catégorisée en trois types :

Vérification des faits basée sur des experts

La vérification des faits basée sur des experts est une méthode largement utilisée pour vérifier l’exac-
titude des reportages d’actualités. Cette approche implique l’utilisation d’experts du domaine ou de véri-
ficateurs de faits pour évaluer la véracité des revendications de nouvelles. Ces experts sont généralement
des individus ayant des connaissances spécialisées dans un domaine particulier, capables d’évaluer la
validité des affirmations faites dans les articles de presse en fonction de leur expertise. La vérification
des faits basée sur des experts est souvent effectuée par un petit groupe de vérificateurs de faits haute-
ment fiables. Cela rend le processus de vérification des faits plus facile à gérer et peut conduire à des
résultats raisonnablement précis. Cependant, cette approche peut être coûteuse car elle nécessite l’em-
bauche et la formation d’un groupe d’experts du domaine pour mener le processus de vérification des
Fondements et État de l’Art en Détection 26

faits. Par conséquent, la vérification des faits basée sur des experts peut ne pas être scalable avec l’aug-
mentation du volume de contenu d’actualités à examiner. À mesure que le volume d’articles de presse et
de rapports continue d’augmenter, il peut devenir plus difficile d’embaucher suffisamment d’experts du
domaine pour gérer la charge de travail. Cependant, bien que la vérification des faits basée sur des ex-
perts présente certaines limites, elle reste une approche importante et précieuse pour vérifier l’exactitude
des reportages d’actualités. En exploitant l’expertise des experts du domaine, il est possible d’obtenir
une compréhension plus approfondie des problèmes complexes et d’identifier les affirmations fausses ou
trompeuses dans les articles de presse.

Vérification des faits basée sur la foule

La vérification des faits basée sur la foule est une technique pour déterminer l’exactitude du contenu
d’actualités en utilisant un grand groupe de personnes ordinaires comme vérificateurs de faits. Contrai-
rement à la vérification des faits basée sur des experts, qui est généralement effectuée par un petit groupe
d’experts, la vérification des faits basée sur la foule repose sur l’intelligence collective de la foule. Cepen-
dant, l’approche basée sur la foule est moins fiable et précise en raison des biais politiques des vérifica-
teurs de faits et des annotations contradictoires. Néanmoins, cette méthode peut être mise à l’échelle pour
gérer un grand volume de contenu d’actualités. Le fonctionnement consiste à encourager les personnes
ordinaires à annoter le contenu des actualités, puis à agréger ces annotations pour créer une évaluation
globale de la véracité des actualités. Les sites Web de vérification des faits basés sur la foule en sont en-
core à leurs débuts, tout comme la vérification des faits basée sur des experts. Un exemple de site Web de
vérification des faits basé sur la foule est [Link], qui permet aux utilisateurs de télécharger des
articles et de fournir des notes pour chaque phrase de ces articles, ainsi que de sélectionner des balises
pour décrire le contenu. Les sources citées dans les articles aident à différencier les contenus d’actualités
des contenus non journalistiques et à évaluer leur crédibilité. Les balises catégorisées selon plusieurs
dimensions permettent l’analyse des tendances à travers les articles de fausses et réelles nouvelles.

Vérification des faits orientée vers l’ordinateur

La vérification des faits orientée vers l’ordinateur est une méthode pour vérifier l’exactitude des
reportages d’actualités qui utilise l’automatisation pour détecter les déclarations vraies et fausses. Elle
aborde deux problèmes majeurs, à savoir la reconnaissance des déclarations crédibles et la distinction de
la véracité des déclarations de fait. Cette méthode extrait des arguments factuels du matériel d’actualités
pour faciliter le processus de vérification des faits. Pour évaluer la véracité d’un argument particulier,
la vérification des faits orientée vers l’ordinateur s’appuie sur des ressources externes, telles que des
sources web ouvertes, pour contraster avec les déclarations particulières analysées.
Fondements et État de l’Art en Détection 27

1.5.2 Basé sur le style

Les éditeurs de fausses informations ont souvent l’intention de répandre des informations trompeuses
et fausses afin de manipuler un grand nombre de personnes. Pour atteindre cet objectif, ils utilisent
différents types de stratégies d’écriture pour convaincre leur public. Ces stratégies diffèrent de celles
utilisées par les éditeurs de vraies informations car elles visent à tromper les lecteurs plutôt qu’à fournir
des informations factuelles et impartiales. Une manière d’identifier les fausses informations est à travers
les stratégies basées sur le style qui se concentrent sur le format d’écriture. Cette approche implique
d’analyser le style d’écriture et d’identifier les schémas couramment utilisés par les éditeurs de fausses
informations pour manipuler leurs lecteurs. Il existe deux principales catégories d’approches basées sur
le style : celles orientées vers la tromperie et celles orientées vers l’objectivité.
Les méthodes de stylométrie orientées vers la tromperie utilisent des techniques médico-légales
pour identifier les déclarations trompeuses dans les articles de presse. Ces méthodes s’inspirent de la
psychologie médico-légale et incluent l’analyse de contenu basée sur des critères et l’analyse de contenu
basée sur des méthodes scientifiques. Des modèles plus avancés, tels que ceux basés sur l’analyse du
langage naturel, sont également utilisés pour identifier différentes phases de tromperie, y compris la
syntaxe approfondie et la structure rhétorique.
Les approches orientées vers l’objectivité visent à identifier les indices stylistiques suggérant un
manque d’objectivité dans le contenu des actualités. Cela pourrait indiquer un potentiel de manipulation
du public à travers des types hyper-partisans et du journalisme jaune. Les types hyper-partisans se ré-
fèrent à des actions qui ciblent de manière disproportionnée un seul groupe politique, souvent dans le
but de produire de fausses informations. Les caractéristiques basées sur la linguistique peuvent être uti-
lisées pour identifier les articles hyper-partisans, tandis que le journalisme jaune se réfère à des articles
qui s’appuient sur des titres accrocheurs et ont tendance à exagérer, à sensationnaliser ou à faire de la
peur plutôt que de présenter des informations bien recherchées. Les titres trompeurs accrocheurs peuvent
servir d’indicateur fiable d’articles inexactes et trompeurs, car les titres résument souvent les principaux
points de vue que l’auteur souhaite exprimer.

1.5.3 Basé sur le contexte social

La nature des médias sociaux offre aux chercheurs des ressources supplémentaires pour améliorer
les modèles de contenu d’actualités. Les modèles de contexte social impliquent la collecte d’engage-
ments sociaux spécifiques des utilisateurs selon différentes perspectives pour compléter l’étude. Il existe
deux catégories de méthodes de modélisation de contexte social : basées sur la position et basées sur
la propagation. Les méthodes basées sur la position se concentrent sur l’identification de l’attitude ou
de l’opinion des utilisateurs à l’égard d’un sujet particulier, tandis que les méthodes basées sur la pro-
pagation se concentrent sur l’analyse de la manière dont l’information se propage à travers les réseaux
sociaux.
Fondements et État de l’Art en Détection 28

1.5.4 Contenu basé sur les éléments visuels

Les caractéristiques visuelles extraites des éléments visuels sont efficaces pour détecter les fausses
informations. Cependant, des études limitées ont vérifié la valeur du contenu multimédia sur les médias
sociaux. Récemment, diverses caractéristiques visuelles et statistiques ont été extraites pour la prédic-
tion des actualités, y compris l’utilisation d’un cadre de classification pour reconnaître les fausses images
basé sur des caractéristiques au niveau de l’utilisateur et au niveau du tweet. Une autre recherche a exa-
miné plus en profondeur l’efficacité de plusieurs détecteurs d’images fausses utilisant des GAN (réseaux
antagonistes génératifs) pour la conversion d’image à image, mais ces modèles sont toujours conçus à la
main et complexes pour représenter le contenu visuel.

1.5.5 Contenu basé sur le texte

Les caractéristiques textuelles font référence aux caractéristiques statistiques ou sémantiques qui
peuvent être extraites du contenu textuel des messages, telles que la fréquence des mots, la structure
des phrases, l’analyse des sentiments et d’autres caractéristiques linguistiques. Ces caractéristiques sont
souvent utilisées dans l’identification des fausses informations car elles peuvent fournir un aperçu du
style d’écriture, du ton et du sentiment émotionnel du contenu. La plupart des recherches précédentes
sur la détection des fausses informations ont largement reposé sur ces caractéristiques textuelles, ainsi
que sur les métadonnées utilisateur, pour identifier et distinguer les fausses informations du contenu
authentique. En analysant ces caractéristiques, il est possible d’identifier des motifs spécifiques et des
points communs que l’on trouve couramment dans le contenu des fausses informations, permettant une
détection plus précise et fiable.
De plus, les processus basés sur le traitement du langage naturel (NLP) impliquent une gamme de
tâches, y compris le prétraitement, l’incorporation de mots et les techniques d’extraction de caractéris-
tiques. Dans le contexte de la détection des fausses informations, plusieurs modèles utilisent le prétrai-
tement des données comme étape initiale pour représenter les attributs obscurs, gérer les mots perdus,
binariser les attributs et traiter les structures compliquées. Le prétraitement des données peut également
aider à visualiser les données et à résoudre les problèmes de données bruyantes, tout en économisant de
l’espace et du temps de calcul. La vectorisation de mots est un autre processus clé dans les modèles de
détection des fausses informations basés sur le NLP. Elle consiste à mapper du texte ou des mots sur
une liste de vecteurs, qui peuvent ensuite être utilisés pour l’analyse et la classification. Les techniques
courantes de vectorisation de mots incluent le modèle de sac de mots et TF-IDF (fréquence de terme-
fréquence inverse du document). Cependant, ces dernières années, les modèles d’incorporation de mots
pré-entraînés tels que word2vec et GloVe sont devenus de plus en plus prisés grâce à leur capacité à
traiter de grands ensembles de données et à améliorer la précision.
Fondements et État de l’Art en Détection 29

Conclusion
En conclusion, ce chapitre a permis d’établir une compréhension claire des fausses nouvelles, de
leurs caractéristiques, et des différents défis associés à leur détection. Nous avons tout d’abord défini les
fake news en soulignant la complexité de leur nature et leur impact sur la société. Ensuite, un examen
des travaux connexes a permis de mettre en lumière les diverses approches existantes, tant au niveau des
techniques d’extraction de caractéristiques que des méthodes basées sur le contenu textuel. La détection
des fausses nouvelles nécessite une combinaison d’approches sophistiquées, telles que l’utilisation de
techniques avancées en traitement du langage naturel et l’exploitation des caractéristiques textuelles.
Les résultats des recherches actuelles montrent qu’il est possible de mieux comprendre et de détecter
ces contenus nuisibles, bien que de nombreux défis restent à surmonter pour améliorer la précision, la
performance et l’efficacité des méthodes proposées.
 30

Chapitre 2

Processus de Détection de Fausses

Informations Textuelles

Introduction
La propagation des fausses informations sur les plateformes numériques est devenue une problé-
matique majeure dans notre société contemporaine. Ces informations erronées, souvent diffusées avec
des intentions malveillantes, peuvent causer des dommages significatifs,à la fois au niveau personnel et
au niveau social. La détection automatique de fausses informations est donc essentielle pour maintenir
l’intégrité des informations circulant sur internet.
Ce chapitre explore en profondeur le processus de détection de fausses informations textuelles, en
commençant par le prétraitement des données textuelles, en passant par les différentes méthodes de
représentation textuelle, jusqu’à l’application de divers algorithmes de classification.

2.1 Processus de détection de fausses informations basé sur le texte

Dans cette thése nous limitons notre focus à la détection de fausses informations basée sur le texte
2.1, principalement parce que c’est la méthode la plus populaire utilisée par les chercheurs [10], mais
aussi parce que les ensembles de données de référence pour la détection de fausses informations incluent
généralement des caractéristiques du contenu d’actualités, avec un accent particulier sur le texte [92]. En
considérant l’existence de jeux de données textuels étiquetés dans la détection automatique de fausses
informations, cette tâche peut être formalisée comme une tâche de classification de texte (2.1). Suppo-
sons que x se réfère à un article de presse, nous avons donc besoin d’une fonction pour identifier s’il
s’agit de fausses informations ou de vraies informations. Par conséquent, nous pouvons considérer H
comme se référant à la fonction de prédiction. Ainsi, la tâche de détection de fausses informations peut
être identifiée comme une fonction indicatrice :

1 si x est une fausse information
H (x ) = (2.1)
0 si x est une vraie information
Processus de Détection de Fausses Informations Textuelles 31

F IGURE 2.1 – Perspectives de détection des fausses nouvelles (FND). Les éléments en
orange montrent le focus de cette thése.

2.2 Prétraitement du texte

Le prétraitement du texte est l’étape initiale dans la préparation du texte brut pour le traitement du
langage naturel, ce qui aide les machines à comprendre le langage humain. Le but du prétraitement des
données est de produire un "texte propre" que les ordinateurs peuvent analyser sans [Link] est essentiel
de mettre en place des tâches de prétraitement avant de procéder à l’extraction des caractéristiques et aux
étapes d’entraînement, car des données incorrectes peuvent avoir des conséquences néfastes à long terme.
Le prétraitement du texte comprend cinq étapes principales : normalisation, tokenisation, suppression
des mots vides, suppression de la ponctuation et racinisation (comme indiqué dans la figure 2.2). Voici
des exemples de ces termes :

— Normalisation : Le processus de conversion des termes dans un texte en une forme standard appe-
lée normalisation. Par exemple, "eaaaaaasy" est converti en "easy" ou " :" est converti en "tristesse".
— Tokenisation : Cela signifie le processus de division des données textuelles en unités significatives
telles que les mots, les phrases et les documents. Un N-gramme est l’une des méthodes de tokeni-
sation les plus célèbres [14]. Un N-gramme maintient l’ordre des termes dans un document textuel.
Il s’agit d’un modèle probabiliste basé sur la théorie de la chaîne de Markov.
— Suppression des mots vides : Processus de suppression des mots ou termes inutiles dans le proces-
sus de classification de texte, appelé suppression des mots vides [14]. Dans la langue anglaise, il
existe certains mots vides tels que "The", "That", "a", "in", etc.
Processus de Détection de Fausses Informations Textuelles 32

— Suppression de la ponctuation : Le processus de suppression de certains signes tels que " !", "()",
"[]", "’", " ?", "@" etc. des données textuelles est appelé suppression de la ponctuation.
— Stemming : Le processus de conversion d’un mot dans sa forme racine est appelé stemming [14].
Par exemple, les mots "Connected", "Connection", "Connects" et "Connections" sont convertis en
"Connect".
Processus de Détection de Fausses Informations Textuelles 33

F IGURE 2.2 – Processus de traitement du texte

Processus de Détection de Fausses Informations Textuelles 34

F IGURE 2.3 – Taxonomie des méthodes de représentation de texte.

2.3 Représentation textuelle

La représentation textuelle, également appelée extraction de caractéristiques, est une étape clé dans la
classification de texte. Ce processus convertit les données textuelles en vecteurs numériques, qui peuvent
être traités par une [Link] existe plusieurs approches, allant des méthodes simples basées sur le
décompte comme le sac de mots (Bag-of-Words) et TF-IDF, aux méthodes plus complexes basées sur
la prédiction comme Word2Vec, fastText, ELMO et BERT. Le choix de ces méthodes peut avoir un
impact significatif sur les performances des modèles de détection de fausses informations. La figure 2.3
fournit une taxonomie des méthodes de représentation textuelle utilisées dans la détection de fausses
informations, tandis que le tableau 2.1 résume les méthodes les plus populaires utilisées dans les travaux
antérieurs. Nous passons en revue ces méthodes, leurs avantages et leurs inconvénients, afin de fournir un
aperçu des différentes méthodes de représentation textuelle qui peuvent être utilisées dans la détection
de fausses informations. Cela aidera les chercheurs et les praticiens à sélectionner la méthode la plus
adaptée à leur cas d’utilisation particulier.
Processus de Détection de Fausses Informations Textuelles 35

TABLE 2.1 – Méthodes d’extraction de caractéristiques utilisées dans les travaux précé-
dents.

Types de caractéristiques Ensembles de caractéristiques Techniques Références

Basé sur la fréquence Sac de mots [93]
Basé sur le comptage
(BOW) [94]
TF-IDF [78, 95]
[93, 96]
[84, 94]
Word2Vec [80, 95]
Indépendant du contexte
[70, 97]
Basé sur la prédiction
FastText [98, 99]
[97, 58]
GloVe [100, 99]
Dépendant du contexte
[97, 58]
[85, 101]
Bidirectional [102]
Unidirectional [103]

2.3.1 Représentation textuelle basée sur le décompte

L’une des méthodes principales de représentation textuelle est la représentation basée sur le dé-
compte, qui se concentre uniquement sur le nombre de fois où les mots apparaissent ou co-apparaissent
dans un document. Pour être plus précis, les méthodes basées sur le décompte créent une matrice d’occur-
rence et de co-occurrence, où chaque élément indique la fréquence d’un mot dans un certain document.
Bien que ce type de représentation soit simple et populaire, il présente un inconvénient majeur : Il ne
retient aucune donnée importante sur le sens et les liens entre les mots. Les méthodes fréquentielles les
plus fréquemment employées sont les suivantes :

Le Sac de Mots

Le Sac de Mots[104] constitue l’une des techniques de représentation textuelle les plus basiques qui
ont été employées dans de nombreuses recherches visant à détecter les fausses informations. [105, 106,
96, 107, 70, 84, 98, 94]. Certains documents techniques le désignent comme un vectoriseur de décompte.
Cette méthode de représentation décrit simplement l’occurrence et la fréquence des mots (Fréquence
des Termes - TF) dans un document. Pour être plus précis, elle ne donne aucune information sur la
position et la structure des mots dans un [Link]é sa simplicité, cette méthode ne donne pas de
renseignements sur les relations entre les mots dans les documents. En outre, lorsqu’il s’agit de grandes
quantités de données textuelles, la matrice de représentation devient encombrée et demande une grande
quantité de puissance de calcul[108]. L’équation (2.2) la formule de manière mathématique. Supposons
que W soit une matrice d’occurrence, d désigne un document, t désigne un terme dans un document et
V désigne le vocabulaire tel que t ∈ V .
Processus de Détection de Fausses Informations Textuelles 36

Wdt = fréquence de t dans d (2.2)

TF-IDF

La Fréquence des Termes - Inverse Fréquence des Documents [14] est une méthode de représentation
des caractéristiques statistiques en traitement du langage naturel pour scorer et pondérer les mots afin de
trouver les mots pertinents et importants dans un document [14]. Cette méthode a été utilisée dans de
nombreux problèmes de classification de texte, en particulier pour la détection de fausses informations
[79, 93, 105, 106, 94, 36, 109, 82, 110, 111]. Pour le formaliser de manière mathématique, les équations
(2.3), (2.4), (2.5), (2.6) le formalisent comme suit :

TF(d,t ) = Compt(terme t occurrant dans document d ) (2.3)

 
Compt(documents)
IDF(t ) = log (2.4)
Compt(documents incluant terme t )

TF-IDF(d,t ) = TF(d,t ) × IDF(t ) (2.5)

TF-IDF : {V → W |W ∈ RT ×D ,Wi j = TF-IDF(di ,t j )} (2.6)

Contrairement au Sac de Mots (Bag-of-Words), qui fournit simplement une collection de vecteurs
basée sur le décompte des occurrences de mots dans le document, le modèle TF-IDF intègre plus que
simplement le décompte. Il ajoute des informations sur l’importance de certains termes. Cela confère au
TF-IDF un pouvoir discriminatif plus grand, car les mots rares qui sont indicatifs de fausses informations
sont pondérés davantage tandis que les mots courants qui ne le sont pas sont pondérés moins. Par consé-
quent, le TF-IDF peut améliorer la précision de la classification des fausses informations en identifiant
des caractéristiques importantes qui pourraient être manquées en utilisant uniquement la fréquence des
termes (TF).

2.3.2 Représentation textuelle basée sur la prédiction

Les méthodes d’apprentissage profond ont réalisé des progrès significatifs ces dernières années, no-
tamment dans le domaine de la modélisation du langage. L’une des avancées réside dans l’utilisation
de modèles de réseaux neuronaux qui créent des plongements de mots à partir de données textuelles en
définissant des tâches telles que la prédiction du mot suivant. Ces méthodes extraient des caractéristiques
sémantiques et syntaxiques des mots, répondant aux limitations des méthodes basées sur le décompte.
Le premier modèle de langage neuronal utilisant un réseau de neurones à propagation avant a été intro-
duit par [112]. Comme le montre la Fig.2.4, la représentation textuelle par réseau neuronal est divisée
Processus de Détection de Fausses Informations Textuelles 37

F IGURE 2.4 – Types de caractéristiques dans le problème de détection des fausses nou-
velles. Les éléments surlignés en orange montrent le focus de cette recherche.

en deux catégories principales : les méthodes indépendantes du contexte et les méthodes dépendantes du
contexte. Dans les méthodes indépendantes du contexte, un mot a toujours la même représentation, quel
que soit son contexte. Word2Vec ([113]), Glove ([114]) et fastText [115] sont les méthodes de représen-
tation textuelle indépendantes du contexte les plus populaires. Les méthodes dépendantes du contexte
représentent les mots en tenant compte du contexte, divisé en trois classes principales : la représentation
unidirectionnelle, la représentation bidirectionnelle peu profonde et la représentation bidirectionnelle
profonde du texte. La représentation unidirectionnelle contextualise chaque mot en fonction des mots
dans les directions gauche ou droite, tandis que la représentation bidirectionnelle contextualise chaque
mot en fonction du contexte à la fois à droite et à gauche ([116]). GPT [134] est la représentation textuelle
unidirectionnelle la plus populaire, tandis que BERT ([116]), DistilBERT ([117]), RoBERTa ([118]),
BART ([119]), ELECTRA ([120]), XLNet ([121]) et GPT-2 ([122]) sont les méthodes de représentation
textuelle bidirectionnelle les plus populaires.

Méthodes indépendantes du contexte

Les modèles indépendants du contexte ou les plongements de mots sont une technique populaire
pour représenter les données textuelles sous forme numérique, adaptée aux algorithmes d’apprentissage
automatique. Trois méthodes de plongement de mots populaires sont Word2Vec, GloVe et fastText. Cette
section propose un aperçu de ces méthodes et met en évidence leurs principales caractéristiques et appli-
cations.

Word2Vec a été la première méthode de plongement de mots sans contexte proposée par Mikolov et
al. [113] en [Link] techniques fréquentielles, comme les techniques de décompte, rencontrent deux
problèmes majeurs : elles sont inefficaces lorsque la taille des données augmente et ne tiennent pas
compte des similarités entre les mots [123]. Pour surmonter ces limitations, les méthodes sans contexte
comme Word2Vec utilisent un modèle de réseau neuronal avec une seule couche cachée pour apprendre
la représentation des mots dans les données textuelles. Plus précisément, Word2Vec représente chaque
mot sous forme d’un vecteur numérique de longueur fixe de telle sorte que les mots similaires aient des
vecteurs de plongement similaires [123]. Deux architectures de modèle de prédiction principales, le sac
de mots continu (CBOW) et Skip-gram, sont utilisées dans Word2Vec pour produire des représentations
Processus de Détection de Fausses Informations Textuelles 38

de mots à partir d’un grand corpus de texte. Les modèles CBOW considèrent à la fois n mots avant et n
mots après un mot cible wt pour prédire le mot cible, tandis que les modèles Skip-gram considèrent un
mot cible tel que wt pour prédire les n mots environnants du mot cible [113]. Word2Vec a été utilisé dans
de nombreux problèmes de classification de texte, notamment pour la détection de fausses informations
[80, 31, 70, 98, 100]. Cependant, Word2Vec ne peut pas gérer les mots hors vocabulaire en raison du
petit contexte local. Néanmoins, la petite zone de contexte rend cette méthode moins coûteuse en termes
de mémoire que le modèle GloVe.

GloVe ,qui signifie "global vectors for word embedding" (vecteurs globaux pour l’incrustation de
mots), a été publié en 2014 par [114]. Ce modèle extrait directement des informations statistiques glo-
bales à partir de mots entiers, comme le terme « Global » le suggère ([114]). GloVe utilise un algorithme
non supervisé pour apprendre et représenter la distribution des mots sous forme de vecteurs numériques.
Plus précisément, cette méthode utilise la factorisation de matrice pour mapper les mots dans un espace,
où la distance entre les mots dans cet espace indique la similarité entre les mots. La factorisation de ma-
trice crée une matrice de cooccurrence de mots pour extraire la relation entre les mots. GloVe a été utilisé
dans de nombreux problèmes de classification de texte, notamment pour la détection de fausses nouvelles
([70, 99, 58, 65, 85]). Cependant, GloVe a un coût de mémoire plus élevé que d’autres méthodes comme
Word2Vec ou fastText.

FastText est l’une des méthodes d’incrustation de mots les plus puissantes, publiée en 2017 par [115].
Comme Word2Vec, fastText est une représentation textuelle basée sur la prédiction qui utilise le modèle
skip-gram avec des modifications mineures dans son architecture pour l’apprentissage de représenta-
tions. Plus précisément, le modèle skip-gram de fastText ne prend pas en compte la structure de chaque
mot. Au lieu de cela, chaque mot est représenté comme un ensemble de caractères en utilisant la toke-
nisation par N-grammes [115]. Ainsi, le vecteur d’incrustation de chaque mot est calculé par la somme
des vecteurs des caractères N-grammes. Cette méthode a été utilisée dans de nombreux problèmes de
classification de texte, notamment pour la détection de fausses nouvelles ([98, 99, 97, 58]). En raison de
la représentation au niveau des caractères N-grammes, la représentation fastText surpasse les autres tech-
niques d’incrustation de mots dans les langues morphologiquement riches comme l’arabe ou l’allemand
[115]. De plus, comparé à Word2Vec, il peut mieux gérer les mots hors vocabulaire. Cependant, il a un
coût de mémoire plus élevé et le nombre optimal de N-grammes doit être ajusté. L’auteur mentionne que
le meilleur nombre de N-grammes se situe entre trois et six. Toutefois, cela dépend de la tâche cible et
de la langue [115]. Un autre avantage de fastText est qu’il peut également être utilisé pour générer des
incrustations de sous-mots, ce qui est utile pour traiter les mots rares ou inconnus.

Méthodes dépendantes du contexte

BERT est une abréviation de Bidirectional Encoder Representations from Transformers, et il s’agit
d’une représentation de langage pré-entraînée profondément contextualisée publiée par Devlin et al.
Processus de Détection de Fausses Informations Textuelles 39

[116], qui a obtenu des résultats significatifs dans de nombreuses tâches de traitement du langage naturel.
Le processus de pré-entraînement de BERT se compose de deux principaux modèles : le masquage de
langage (Masked Language Modeling, MLM) et la prédiction de la phrase suivante (Next Sentence
Prediction, NSP). Le modèle de masquage de langage prédit le pourcentage de jetons d’entrée masqués
au hasard [123]. En conséquence, le modèle peut capturer la signification syntaxique et sémantique des
mots masqués. Dans la prédiction de la phrase suivante, l’objectif est d’entraîner les relations entre les
paires de phrases par une tâche de classification binaire [123]. BERT utilise la tokenisation en morceaux
de mots comme entrée des modèles, ce qui aide les modèles à gérer les mots hors vocabulaire ou les mots
rares dans un ensemble de données. BERT est pré-entraîné sur un transformateur de 12 à 24 couches sur
de grandes quantités de données non structurées provenant de Wikipedia et de livres. Un manque de
jeux de données annotés, en particulier ceux spécifiques à une tâche, est le plus grand problème dans les
tâches de traitement du langage naturel. Le principal avantage des modèles pré-entraînés profondément
contextualisés comme BERT est qu’ils sont des systèmes bidirectionnels non supervisés. Cela signifie
qu’ils sont pré-entraînés sur un grand nombre de données non annotées et qu’ils peuvent être ajustés pour
toute tâche en NLP. Malgré le fait que les transformateurs aient résolu bon nombre des insuffisances
des méthodes de représentation de texte précédentes et aient obtenu des résultats significatifs sur une
variété de tâches en NLP, ils ont un processus d’apprentissage lent et ne sont pas rentables en raison du
grand nombre de paramètres entraînables. Plus précisément, le modèle BERT-base comporte plus de 110
millions de paramètres entraînables.

ALBERT est une abréviation de A Lite BERT, publié en 2019 par Lan et al. [124]. ALBERT est une
version légère de l’apprentissage auto-supervisé de la représentation textuelle de BERT. L’augmentation
de la taille des modèles de transformateurs améliore leurs performances dans toutes les tâches NLP
en aval. Cependant, cette augmentation de la taille des modèles ralentit le processus d’entraînement et
entraîne des coûts de mémoire [124]. Pour résoudre ce problème, ils ont utilisé l’architecture BERT
avec quelques différences clés. Premièrement, les paramètres de plongement de mots sont factorisés
en les divisant en deux matrices plus petites [124]. Deuxièmement, grâce au partage de paramètres
entre les couches, les paramètres de couche sont partagés pour chaque sous-segment comparable, ce qui
entraîne une diminution considérable du nombre de paramètres. Ainsi, l’échange de paramètres permet
non seulement de réduire le coût computationnel de l’entraînement, mais rend également l’entraînement
plus efficace [124]. Troisièmement, la prédiction de l’ordre des phrases, souvent appelée SOP, est utilisée
à la place de la perte de prédiction de la phrase suivante (NSP) pour mesurer la cohérence inter-phrases
[124]. Même si ALBERT a 70% de paramètres en moins que le modèle BERT, il obtient souvent des
performances supérieures. De plus, les modèles ALBERT surpassent les modèles BERT en termes de
capacité de données et peuvent être entraînés 1,7 fois plus rapidement [124].

BART ([119]) est une abréviation de Bidirectional Auto-Regressive Transformers, publié en 2019 par
Lewis et al. BART est une combinaison de BERT et GPT en raison du fait qu’il est bidirectionnel comme
Processus de Détection de Fausses Informations Textuelles 40

BERT et auto-régressif comme le modèle pré-entraîné GPT. BART est entraîné sur un modèle séquence-
à-séquence avec un encodeur bidirectionnel et un décodeur auto-régressif ([119]). Pendant le processus
d’entraînement, le texte est d’abord corrompu en utilisant un générateur de bruit aléatoire, puis un modèle
pour réassembler le texte original est appris. Il utilise une architecture typique de traduction automatique
neuronale basée sur Transformer ([119]).

Le tableau 2.2 présente une comparaison des avantages et des inconvénients de divers modèles de
détection des fausses nouvelles basés sur l’apprentissage automatique. La méthode TF-IDF, bien que
capable de distinguer les mots significatifs des moins importants, se révèle lente pour de grands voca-
bulaires et ne tient pas compte des positions, sémantiques et co-occurrences des mots ([125], [126]). Le
modèle Sac de mots est simple à implémenter mais ignore l’ordre et les relations sémantiques des mots
([127], [128]). Word2Vec préserve la signification sémantique et contextuelle des mots, mais ne gère pas
les mots inconnus et manque de représentations sous-mot ([85], [129]). Doc2Vec offre une représentation
numérique rapide des documents, mais est moins efficace pour les textes courts ([130], [131]). GloVe,
contrairement à Word2Vec, utilise des statistiques globales pour les vecteurs de mots, se basant sur la
co-occurrence des mots ([85], [84]). Enfin, BERT excelle dans la capture de la signification contextuelle
à partir de grandes quantités de données, mais est computationnellement intensif et sensible au bruit en
l’absence de prétraitement ([132], [133], [134]).

2.4 Algorithmes de classification

Dans cette section, nous allons décrire l’aspect théorique des modèles d’apprentissage automatique
et d’apprentissage profond que nous avons utilisés pour l’analyse afin de fournir un aperçu de ces techno-
logies et méthodes algorithmiques. La section contiendra également des éléments mathématiques et/ou
du pseudocode qui expliqueront la complexité des modèles d’apprentissage profond et d’apprentissage
automatique. Étant donné que le problème porte sur la classification de texte, nous n’expliquerons que
les modèles qui s’appliquent à ce type de problème.
Nous présentons ici les algorithmes de classification les plus populaires utilisés dans la détection de
fausses informations. Ces algorithmes ont été choisis en fonction de leur importance dans les travaux
précédents, présentés dans le Tableau 2. En tenant compte de cela, nous avons catégorisé les algorithmes
de classification en trois grandes catégories : les modèles d’apprentissage automatique classiques, les
modèles d’apprentissage ensembliste, et les modèles d’apprentissage profond (Fig.2.5).

2.4.1 Machine Learning : Apprentissage Automatique

Chaque fois que nous consultons un dossier médical, que nous analysons des résultats de tests, que
nous suivons l’évolution des patients, ou que nous collectons des données cliniques, nous générons des
Processus de Détection de Fausses Informations Textuelles 41

F IGURE 2.5 – Classification des approches de classification textuelle.

Processus de Détection de Fausses Informations Textuelles 42

TABLE 2.2 – Avantages et inconvénients de certains modèles de détection des fausses nou-
velles basés sur l’apprentissage automatique

Méthode Avantages Inconvénients Référence

TF-IDF Le modèle TF-IDF inclut des Lent pour les grands [125],[126]
informations sur les mots les vocabulaires. Ne capture pas la
plus significatifs et les moins position dans le texte, les
importants sémantiques, et les
co-occurrences dans différents
documents
Sac de mots Facile à implémenter Ignore l’ordre des mots dans un [127], [128]
document et ignore également
les relations sémantiques entre
les mots
Word2Vec Maintient la signification Incapable de gérer les mots [85], [129]
sémantique de divers mots dans inconnus. Il n’y a pas de
le texte et l’information représentations communes au
contextuelle est également niveau des sous-mots
préservée.
Doc2Vec Plus rapide que Word2Vec et L’avantage de Doc2Vec est [130], [131]
une représentation numérique diminué pour les documents
d’un document plus courts
indépendamment de sa
longueur
GloVe Contrairement à Word2Vec, il Pour obtenir des vecteurs de [85], [84]
ne se base pas uniquement sur mots, des statistiques globales
des statistiques locales (co-occurrence des mots) sont
(informations contextuelles utilisées
locales des mots)
BERT Identifie et capture la Intensif en calcul lors de [132], [133],
signification contextuelle dans l’inférence. De plus, il [134]
une phrase ou un texte, n’intègre pas de prétraitement
notamment à partir de grandes des données, ce qui peut
quantités de données. impacter la performance en
présence de bruit.

données. Les professionnels de la santé sont non seulement des générateurs mais aussi des consom-
mateurs de données. Nous souhaitons avoir des diagnostics et des traitements spécialisés pour chaque
patient. Nous voulons que les besoins des patients soient compris et que leurs traitements soient prédits
avec précision. Prenons, par exemple, un hôpital qui gère des milliers de dossiers de patients à travers
plusieurs services spécialisés et cliniques. Les détails de chaque consultation sont enregistrés : date, iden-
tifiant du patient, symptômes observés, traitements administrés, résultats des tests, etc. Cela représente
généralement une grande quantité de données chaque jour. Ce que l’hôpital veut, c’est pouvoir prédire
quel traitement est le plus susceptible d’être efficace pour quel patient, afin de maximiser les chances de
guérison et d’améliorer la qualité des soins. De même, chaque patient souhaite recevoir le traitement qui
Processus de Détection de Fausses Informations Textuelles 43

correspond le mieux à ses besoins spécifiques.

Le comportement des patients change avec le temps et selon des facteurs par exemple, l’âge, le style
de vie et l’historique médical. Mais nous savons qu’il n’est pas complètement aléatoire. Il existe certains
schémas dans les données médicales. Pour résoudre un problème de diagnostic sur un ordinateur, nous
avons besoin d’un algorithme. Un algorithme est une séquence d’instructions qui doivent être exécutées
pour transformer l’entrée en sortie. Cependant, certaines tâches ne peuvent pas être résolues simple-
ment en appliquant le bon algorithme car, parfois, nous ne savons pas comment transformer les données
d’entrée pour produire une sortie logique. Pour surmonter ce problème, nous essayons de trouver une
approximation appropriée et utile qui transforme (ou explique) nos données de la meilleure manière
possible. Cette méthode de recherche de la meilleure approximation/estimation appropriée est appelée
Apprentissage Automatique.
Définition 2 : L’apprentissage automatique est le processus de recherche des schémas les plus utiles
qui décrivent le mieux nos données, toujours en termes d’approximation.
Divers algorithmes ont été créés, cependant, tout algorithme d’apprentissage automatique qui existe
et n’a pas été utilisé ne sera pas couvert dans ce travail. Notre approche, puisqu’elle concerne la clas-
sification de texte, se compose d’algorithmes appartenant au groupe des algorithmes d’apprentissage
supervisé.

Modèles d’apprentissage automatique classiques

Les algorithmes d’apprentissage automatique classiques couvrent un large éventail d’algorithmes

comprenant des modèles probabilistes (par exemple, Naive Bayes, Régression Logistique), des modèles
basés sur la mémoire (par exemple, K-plus proches voisins, Machine à vecteurs de support), et des
modèles basés sur des règles (par exemple, Arbre de Décision).

SVM est un algorithme d’apprentissage supervisé particulièrement efficace pour la classification bi-
naire 1 et est largement utilisé dans le domaine de la détection de fausses informations. En utilisant
l’algorithme SVM, il est possible de déterminer l’hyperplan optimal qui divise les données en deux ca-
tégories différentes, telles que les informations vérifiées et les informations fausses . Cela est réalisé à
l’aide des vecteurs de support, qui sont des instances proches de l’hyperplan et influencent sa position
et son orientation. La classification est effectuée en fonction de la position d’une instance par rapport à
l’hyperplan. L’efficacité de SVM réside dans sa capacité à maximiser la marge entre les deux classes,
En d’autres termes, il s’agit de la distance entre l’hyperplan et les points de données les plus proches
de chaque côté, ce qui réduit le risque de mauvaise classification concernant les nouveaux échantillons.
Pour améliorer sa performance dans des espaces de grande dimension, SVM utilise des fonctions noyaux
(kernels) telles que le noyau linéaire, polynomial, ou radial (RBF, Radial Basis Function), qui permettent
de transformer les données d’entrée non linéaires en un espace de plus haute dimension où un hyper-
plan linéaire peut être utilisé pour la séparation([96, 93, 36, 109, 82, 100, 135, 136]). Le modèle SVM
est généralement une alternative robuste pour la classification de textes car il peut facilement gérer une
Processus de Détection de Fausses Informations Textuelles 44

quantité limitée de données et des espaces de haute dimension. De plus, il peut obtenir de bonnes perfor-
mances de généralisation grâce au concept de marge maximale. Ainsi, de nombreuses études ont utilisé
SVM pour la détection des fausses nouvelles ([79, 80, 31, 93, 106]). Par exemple, une recherche menée
par [10] a démontré que SVM, combiné à des techniques avancées de représentation de texte comme
les word embeddings, peut atteindre des niveaux de précision élevés dans la détection de fausses in-
formations sur des plateformes telles que Twitter et Facebook. Dans le cadre de la détection de fausses
informations, les SVM sont souvent utilisés en conjonction avec des techniques de traitement du langage
naturel (NLP) pour analyser le texte des articles ou des publications sur les réseaux sociaux. Par exemple,
les caractéristiques textuelles telles que la fréquence des mots (TF-IDF), la présence de certaines phrases
ou termes caractéristiques de fausses informations, et les traits syntaxiques peuvent être extraites et utili-
sées comme vecteurs d’entrée pour l’algorithme SVM ([137, 138]. En somme, le modèle SVM, avec ses
capacités de classification puissante et son aptitude à gérer des données textuelles complexes, constitue
un outil précieux pour la détection de fausses informations, permettant ainsi de filtrer efficacement les
contenus véridiques des contenus fallacieux dans le flot incessant d’informations sur internet.
 Processus de Détection de Fausses Informations Textuelles 45

Algorithm 1 Algorithme des Machines à Vecteurs de Support

1: function T RAIN SVM(training_data, labels, C, kernel)
2: Initialize αi = 0 for all i ▷ Lagrange multipliers
3: Initialize b = 0 ▷ Threshold parameter
4: while not converged do
5: for each i in training_data do
6: Calculate Ei = f (xi ) − yi ▷ Error for current example
7: if (yi · Ei < −ε and αi < C ) or (yi · Ei > ε and αi > 0) then
8: Select j ̸= i randomly
9: Calculate E j = f (x j ) − y j
10: Save old α values : αiold = αi , α old
j = αj
11: Compute bounds L and H
12: if L == H then
13: continue to next i
14: Compute η = 2 · K (xi , x j ) − K (xi , xi ) − K (x j , x j )
15: if η ≥ 0 then
16: continue to next i
y (E −E )
17: Update α j : α j = α j − j ηi j
18: Clip α j to be within bounds L and H
19: if |α j − α old
j | < ε then
20: continue to next i
21: Update αi : αi = αi + yi · y j · (α old
j − α j)
22: Compute b1 and b2 using updated α values
23: Update b to be the average of b1 and b2
24: return α, b
25: function P REDICT(test_data, α, b, kernel ) for eachxintest_data do
26:
27: function ( f )(x) = ∑ αi yi K (xi , x) + b
28: IF f (x) ≥ 0 THEN RETURN 1 ELSE RETURN −1
29:

Naives Bayes Le modèle Naïve Bayes est un algorithme de classification utilisé pour des problèmes
de classification binaire (deux classes) et multi-classes 2. La technique est plus facile à comprendre
lorsqu’elle est décrite en utilisant des valeurs d’entrée binaires ou catégorielles. Naïve Bayes est basé sur
le théorème de Bayes qui stipule que :

P(d|h) · P(h)
P(h|d ) = (2.7)
P(d )
Cela signifie que :
Processus de Détection de Fausses Informations Textuelles 46

— P(h|d ) est la probabilité de l’hypothèse h étant donnée les données d. C’est ce qu’on appelle la
probabilité a posteriori.
— P(d|h) est la probabilité des données d étant donné que l’hypothèse h est vraie.
— P(h) est la probabilité que l’hypothèse h soit vraie (indépendamment des données). C’est ce qu’on
appelle la probabilité a priori de h.
— P(d ) est la probabilité des données (indépendamment de l’hypothèse).

Le modèle Naïve Bayes est une méthode d’apprentissage supervisé largement utilisée pour les tâches
de classification, y compris la détection de fausses informations. Ce modèle repose sur le théorème de
Bayes et l’hypothèse "naïve" selon laquelle les caractéristiques (ou attributs) des données sont condi-
tionnellement indépendantes les unes des autres, compte tenu de la classe. Cette simplification permet
de construire des modèles probabilistes robustes et efficaces même avec des ensembles de données de
grande dimension.
Dans le contexte de la détection de fausses informations, le modèle Naïve Bayes peut être utilisé
pour classifier les journaux, les publications sur les plateformes sociales, ou d’autres formes de contenu
textuel en tant que vraies ou fausses. Le processus commence par l’extraction des caractéristiques tex-
tuelles, telles que les mots ou les phrases, qui sont ensuite utilisées pour estimer les probabilités condi-
tionnelles nécessaires au modèle. Par exemple, les fréquences de mots, les n-grammes, et les scores TF-
IDF (Term Frequency-Inverse Document Frequency) sont couramment utilisés comme caractéristiques
d’entrée ([105, 106]).
Plusieurs études ont démontré l’efficacité du modèle Naïve Bayes dans la détection de fausses infor-
mations. Par exemple, une étude réalisée par [62] a montré que les modèles Naïve Bayes, lorsqu’ils sont
combinés avec des techniques de traitement du langage naturel avancées, peuvent atteindre des niveaux
de précision compétitifs dans la détection de fake news. En outre, le modèle est apprécié pour sa sim-
plicité, sa rapidité d’entraînement et sa capacité à gérer des ensembles de données volumineux avec une
complexité computationnelle relativement faible.
Cependant, cette méthode est limitée par l’hypothèse naïve et ne peut donc pas modéliser les interac-
tions entre les mots dans les données textuelles. Malgré cette limitation, le modèle Naïve Bayes calcule
la probabilité qu’un document appartienne à une classe donnée (vrai ou faux) en multipliant les probabi-
lités conditionnelles des caractéristiques observées par la probabilité a priori de la classe. L’algorithme
sélectionne ensuite la classe ayant la plus haute probabilité a posteriori comme la prédiction finale. Cette
approche probabiliste est particulièrement efficace pour les tâches de classification textuelle, car elle peut
gérer de manière efficace les caractéristiques discrètes et continues ([98, 109, 139, 103]).
En somme, le modèle Naïve Bayes est un outil précieux pour la détection de fausses informations,
offrant une approche probabiliste simple mais efficace pour classifier les contenus textuels. Grâce à sa
capacité à exploiter les caractéristiques textuelles de manière indépendante et à générer des prédictions
rapides et fiables, il constitue un composant essentiel dans l’arsenal des techniques de détection de fake
news.
Processus de Détection de Fausses Informations Textuelles 47

Algorithm 2 Algorithme de Naïve Bayes pour la Détection des Fausses Nouvelles

1: for each class c in classes do ▷ loop for each class
count(c)
2: P(c) = N ▷ calculate prior probability for class c
3: for each feature f in features do ▷ loop for each feature
4: for each value v in f .values do ▷ loop for each value of feature f
5: for each class c in classes do ▷ loop for each class
count( f =v and c)
6: P( f = v|c) = count(c)
▷ calculate likelihood of feature value given class

7: function P REDICT(instance) ▷ function to predict class of a new instance

8: for each class c in classes do ▷ loop for each class
9: posterior [c] = P(c) ▷ initialize posterior probability with prior
10: for each feature f in [Link] do ▷ loop for each feature in the instance
11: value = instance[ f ] ▷ get the feature value
12: posterior [c]∗ = P( f = value|c) ▷ multiply with the likelihood of the feature value
given class
13: predicted_class = argmax( posterior ) ▷ select the class with the highest posterior probability
14: return predicted_class
=0

KNN Le modèle des K-plus proches voisins est un modèle basé sur la mémoire qui détermine la
classe d’une nouvelle instance en fonction de la classe des instances les plus proches dans l’espace des
caractéristiques. Il existe quelques études qui ont utilisé KNN pour la détection des fausses nouvelles car
il s’agit d’un apprenant paresseux . KNN est très sensible à la fois aux caractéristiques non pertinentes
et à la taille des ensembles de données. De plus, il peut nécessiter beaucoup de ressources informatiques
et une grande mémoire car il stocke toutes les données d’entraînement.
 Processus de Détection de Fausses Informations Textuelles 48

Algorithm 3 Algorithme des K Plus Proches Voisins pour la Détection des Fausses Nouvelles
1: function T RAIN KNN(training_data, labels)
2: Store training_data and labels
3: function P REDICT(test_data, training_data, labels, k)
4: predictions = []
5: for each xi in test_data do
6: distances = []
7: for each (x j , y j ) in training_data do
8: distance = EuclideanDistance(xi , x j )
9: [Link]((distance, y j ))
10: Sort distances by the first element (distance)
11: neighbors = distances[ :k] ▷ select the k-nearest neighbors
12: votes = {}
13: for each (distance, label) in neighbors do
14: if label not in votes then
15: votes[label] = 0
16: votes[label] += 1
17: predicted_label = argmax(votes) ▷ select the label with the most votes
18: [Link](predicted_label)
19: return predictions
20: function E UCLIDEAN D ISTANCE(point1, point2)
21: sum = 0
22: for each feature f in point1 do
23: sum += (point1[ f ] - point2[ f ])2 −
24: return sqrt(sum)

La régression logistique est un modèle de classification extrêmement simple à mettre en œuvre, mais
qui possède une excellente performance sur des classes linéairement séparables. Il s’agit d’un des algo-
rithmes les plus couramment employés dans le domaine de la classification. La régression logistique est
nommée en référence à la fonction logistique utilisée au cœur de la méthode. Les statisticiens ont élaboré
la fonction logistique, aussi connue sous le nom de fonction sigmoïde, afin de décrire les caractéristiques
de la croissance des populations en écologie, qui augmentent rapidement et atteignent un niveau maxi-
mal de charge pour l’environnement. Il s’agit d’une courbe en forme de S qui peut prendre un nombre
réel et le convertir en une valeur comprise entre 0 et 1, mais jamais précisément à ces limites. (algorithm.
4).
La régression logistique est l’un des classificateurs probabilistes. Elle est similaire au modèle de ré-
gression, sauf que la variable de résultat doit être catégorielle. Nous pouvons utiliser ce modèle sous trois
Processus de Détection de Fausses Informations Textuelles 49

formats : régression logistique binomiale, régression logistique multinomiale et régression logistique or-
dinale. Certaines études ont utilisé la régression logistique pour la détection de fausses informations
([31, 93, 106, 96, 98, 94, 36, 111, 135]).

Algorithm 4 Algorithme de Régression Logistique pour la Détection des Fausses Nouvelles

1: function T RAIN L OGISTIC R EGRESSION(training_data, labels, learning_rate, epochs)
2: Initialize weights w = [w0 , w1 , ..., wn ] to small random values
3: Initialize bias b to a small random value
4: for epoch = 1 to epochs do ▷ loop for the number of training iterations
5: for each (xi , yi ) in training_data do
6: z = w · xi + b ▷ linear combination of inputs and weights
1
7: ŷ = 1+e−z ▷ apply the sigmoid function
8: error = ŷ − yi
9: w = w − learning_rate · error · xi ▷ update weights
10: b = b − learning_rate · error ▷ update bias
11: return w, b
12: function P REDICT(test_data, weights, bias)
13: for each xi in test_data do
14: z = weights · xi + bias
15: ŷ = 1+1e−z
16: if ŷ ≥ 0.5 then
17: return "Fake"
18: else
19: return "Real"

Modèles ensemblistes

Un modèle ensembliste est un système d’apprentissage qui utilise plusieurs classificateurs de base
pour obtenir de meilleures performances prédictives [140]. L’objectif d’un ensemble est d’obtenir une
meilleure précision que n’importe quel classificateur individuel, car les points forts d’un modèle peuvent
compenser les faiblesses des autres. En d’autres termes, ils se complètent et conduisent à des prédic-
tions plus robustes. Plusieurs travaux ont utilisé des modèles ensemblistes pour la détection de fausses
informations ([79, 80, 107, 84, 98, 94, 83, 141, 100]). Les méthodes ensemblistes les plus couramment
utilisées dans la détection de fausses informations sont basées sur des variantes de la méthode Bagging
(par exemple, les forêts aléatoires [142]) et le Boosting [143].

Modèle de Forêt Aléatoire est un algorithme d’apprentissage supervisé développé par [142], basé
sur l’algorithme de bagging. Cet algorithme sélectionne un bootstrap des données d’entraînement pour
former l’ensemble d’entraînement de chaque modèle de base individuel. Comme chaque modèle de
Processus de Détection de Fausses Informations Textuelles 50

base est entraîné avec un bootstrap différent (c’est-à-dire un échantillonnage avec remplacement), ils
aboutissent à un ensemble de modèles diversifiés à la fin, ce qui aide à réduire la variance du modèle
([142]).
Le modèle de forêt aléatoire est une implémentation particulière de cet algorithme où les caractéris-
tiques et les échantillons sont échantillonnés aléatoirement avec remplacement pour générer un ensemble
d’arbres diversifiés. Ensuite, il fait une prédiction basée sur le vote majoritaire des résultats de prédic-
tion de tous les arbres de décision. La forêt aléatoire améliore les performances en réduisant la variance.
Plusieurs études ont utilisé la forêt aléatoire pour la détection de fausses informations ([79, 107, 83]) En
construisant une "forêt" d’arbres de décision,lors de la croissance des arbres, la forêt aléatoire apporte
une randomisation supplémentaire au modèle. Plutôt que de chercher la caractéristique la plus cruciale
lors de la division d’un nœud, elle cherche la meilleure caractéristique parmi un ensemble aléatoire
de caractéristiques. Cela conduit à une grande variété qui conduit généralement à un modèle amélioré.
Ainsi, dans une forêt aléatoire, l’algorithme ne prend en considération qu’un sous-ensemble aléatoire
des caractéristiques pour diviser un nœud, ce qui améliore la précision et la stabilité des prédictions.
Processus de Détection de Fausses Informations Textuelles 51

Algorithm 5 Algorithme de Forêt Aléatoire pour la Détection des Fausses Nouvelles

1: function T RAIN R ANDOM F OREST(training_data, labels, num_trees, max_features)
2: Initialize forest to an empty list
3: for each tree t from 1 to num_trees do
4: bootstrap_sample ← BootstrapSample(training_data, labels)
5: tree ← TrainDecisionTree(bootstrap_sample, max_features)
6: Add tree to forest
7: return forest
8: function B OOTSTRAP S AMPLE(data, labels)
9: Initialize sample_data and sample_labels to empty lists
10: for each i from 1 to len(data) do
11: index ← random integer between 1 and len(data)
12: Add data[index] to sample_data
13: Add labels[index] to sample_labels
14: return (sample_data, sample_labels)
15: function T RAIN D ECISION T REE(data, labels, max_features)
16: Create a decision tree with the specified max_features
17: Train the decision tree on the data and labels
18: return trained decision tree
19: function P REDICT(forest, test_data)
20: Initialize predictions to an empty list
21: for each x in test_data do
22: Initialize votes to an empty list
23: for each tree in forest do
24: prediction ← PredictWithTree(tree, x)
25: Add prediction to votes
26: f inal_prediction ← MajorityVote(votes)
27: Add f inal_prediction to predictions
28: return predictions
29: function P REDICT W ITH T REE(tree, x)
30: return prediction of x using tree
31: function M AJORITY VOTE(votes)
32: return the most common element in votes
Processus de Détection de Fausses Informations Textuelles 52

2.5 Modèles d’apprentissage profond

Intelligence
artificielle
apprentissage
automatique

apprentissage
profond

F IGURE 2.6 – Intelligence artificielle, apprentissage automatique, apprentissage

profond([2])

Les modèles d’apprentissage profond sont un type de machine learning et d’intelligence artificielle
qui ne nécessite pas d’extraction manuelle des caractéristiques. Au lieu de cela, ils apprennent automati-
quement les représentations des caractéristiques à partir des données brutes. Les modèles d’apprentissage
profond ont montré des résultats prometteurs dans de nombreuses tâches et sont de plus en plus utili-
sés dans la classification de texte. Cependant, ils nécessitent également plus de ressources informatiques
que les modèles de machine learning traditionnels. Plusieurs études ont examiné l’utilisation des modèles
d’apprentissage profond pour la détection de fausses informations. Dans cette section, nous décrivons
certains des modèles d’apprentissage profond les plus populaires qui ont été utilisés pour la détection de
fausses informations.

2.6 Principe de Base des Réseaux de Neurones Artificiels

Un réseau neuronal biologique normal est constitué d’un ensemble et d’un groupe de neurones fonc-
tionnellement ou chimiquement similaires. Chaque neurone individuel est généralement connecté à un
grand nombre d’autres neurones, ce qui rend le nombre total de connexions et de neurones dans le ré-
seau relativement élevé. Les synapses se forment lorsque les axones se lient aux dendrites, bien que des
synapses dendrodendritiques et d’autres types de connexions soient également envisageables. D’autres
formes de signalisation émergent de la diffusion des neurotransmetteurs en plus de la transmission élec-
trique [144].
D’autre part, le réseau neuronal (NN) est connu pour être un processeur parallèle distribué massif
constitué d’unités de base ayant une capacité et une tendance naturelle à stocker et à rendre accessibles
des informations d’expérience. Il s’agit généralement d’une technique de calcul conçue pour imiter le
cerveau dans la résolution de problèmes. Le cerveau humain et les réseaux neuronaux sont similaires
en ce sens qu’ils apprennent à analyser les entrées et à résoudre des problèmes par l’apprentissage.
Processus de Détection de Fausses Informations Textuelles 53

Les réseaux neuronaux peuvent également être appelés réseaux neuronaux stimulés (SNN) et réseaux
neuronaux artificiels (ANN) [144].
Aujourd’hui, les réseaux neuronaux sont utilisés dans plusieurs applications telles que la robotique,
la reconnaissance faciale humaine, les applications médicales, la reconnaissance vocale, l’économie et
la fabrication.

2.6.1 Architecture des Systèmes de Réseaux Neuronnaux

Le cerveau humain est principalement constitué de 1011 unités de traitement appelées neurones,
qui travaillent ensemble en parallèle. En plus d’échanger des informations par l’intermédiaire de leurs
synapses, qui sont des unités de connexion, ces neurones additionnent principalement toutes les informa-
tions qu’ils reçoivent. Si le résultat dépasse le potentiel d’action donné, un signal est envoyé directement
via l’axone vers la phase suivante [144].

F IGURE 2.7 – L’anatomie des neurones humains

Comme dans le cerveau humain, les réseaux neuronaux artificiels sont également composés de petites
unités simples, appelées neurones artificiels. Chaque unité est liée aux autres unités par des connecteurs
de poids. Ensuite, ces unités utilisent une fonction d’activation pour calculer la somme pondérée des
entrées reçues et déterminer la sortie.

F IGURE 2.8 – Un neurone artificiel de base

Processus de Détection de Fausses Informations Textuelles 54

F IGURE 2.9 – Un diagramme en blocs d’un neurone artificiel

Plus le poids d’un neurone artificiel est élevé, plus l’entrée amplifiée par le neurone artificiel est
grande. Le signal est atténué par le poids négatif, qui peut également être négatif. Le calcul du neurone
variera en fonction des poids [144]). Quatre aspects essentiels d’un modèle neuronal ont été identifiés
sur la base du diagramme en blocs (2.9) et de la fonction du réseau neuronal :
— Les liens de connexion ou synapses ont une certaine force ou poids, où le signal de l’entrée Xi
connecté et lié au neurone k est multiplié par le poids synaptique wki .
— L’addition des entrées pondérées.
— La sortie d’un neurone est produite par une fonction d’activation. Elle est également connue sous
le nom de fonction d’écrasement car elle réduit (limite) la plage d’amplitude du signal de sortie à
une valeur limitée.
— Selon le biais bk , qui est un nombre positif ou négatif, cela influence l’effet d’augmentation ou de
réduction de la somme nette des entrées de la fonction d’activation [144].

CNN

La détection des fausses nouvelles est une tâche cruciale à l’ère des médias sociaux où les fausses
nouvelles peuvent se propager rapidement et avoir des conséquences graves dans le monde réel. Les
CNN se sont révélés efficaces pour détecter les fausses nouvelles en raison de leur capacité à apprendre
et à extraire automatiquement les caractéristiques pertinentes des données textuelles. Les modèles basés
sur les CNN ont été appliqués avec succès à diverses tâches de détection de fausses nouvelles, telles que
l’identification d’articles de fausses nouvelles, la détection de titres de fausses nouvelles et la détection
de faux avis. Plusieurs études ont rapporté des résultats prometteurs en utilisant des modèles basés sur
les CNN dans la détection des fausses nouvelles.
Processus de Détection de Fausses Informations Textuelles 55

F IGURE 2.10 – Modèle CNN [3]

L’un des principaux défis dans la détection des fausses nouvelles est l’absence de grands ensembles
de données annotées. Pour relever ce défi, certains chercheurs ont proposé de tirer parti des techniques
d’apprentissage par transfert pour utiliser des modèles de langage pré-entraînés, tels que BERT ou GPT,
afin d’améliorer les performances des modèles basés sur les CNN [145],[146].
D’autres chercheurs se sont concentrés sur la conception de nouvelles architectures CNN, comme le
montre la Figure 2.10, pour la détection des fausses nouvelles. Par exemple, Huang et al. ont proposé
un modèle CNN à double canal qui incorpore des embeddings au niveau des caractères et des mots pour
capturer différents niveaux d’information dans le texte [147]. De même, Qiu et al. ont introduit un modèle
hybride CNN-LSTM qui combine les forces des deux architectures [148]. Le modèle hybride utilise une
CNN pour extraire les caractéristiques locales du texte et une LSTM pour capturer les dépendances
séquentielles entre les mots.
Un autre aspect important de la détection des fausses nouvelles est l’identification des caractéris-
tiques pertinentes. Les chercheurs ont exploré diverses approches pour la sélection des caractéristiques,
y compris l’utilisation des tags de partie du discours (POS) [149], l’analyse des sentiments [150], et la
reconnaissance des entités nommées (NER). Ces caractéristiques peuvent être intégrées dans les modèles
basés sur les CNN pour améliorer leurs performances.
En fait, certains chercheurs ont dirigé leur attention vers l’atténuation des attaques adversariales sur
les modèles de détection de fausses nouvelles basés sur les CNN. Les attaques adversariales impliquent
l’ajout de perturbations imperceptibles aux données d’entrée pour tromper le modèle. Pour contrer ce
défi, les chercheurs ont suggéré d’utiliser la formation adversariale [151] et le réseau d’attention hiérar-
chique dans les modèles basés sur les CNN.
Dans l’ensemble, les modèles basés sur les CNN ont montré des résultats prometteurs dans la détec-
tion des fausses nouvelles, et les recherches futures se concentreront probablement sur le développement
de modèles plus robustes capables de gérer les attaques adversariales et de mieux capturer les nuances
du langage humain. Par exemple, Zhang et al. [152] ont introduit un modèle basé sur les CNN utilisant
des embeddings de mots et des couches de convolution pour classifier les articles de presse comme étant
soit faux, soit réels. Le modèle a démontré une précision de 92,8% sur un ensemble de données d’articles
de presse.
Dans une autre étude, Yang et al. [153] ont présenté un modèle basé sur les CNN qui intègre à la
fois des informations textuelles et visuelles pour identifier les titres de fausses nouvelles. Ce modèle a
Processus de Détection de Fausses Informations Textuelles 56

obtenu un score F1 de 0,794 sur un ensemble de données de titres de fausses et vraies nouvelles. De plus,
Wang et al. [154] ont introduit un modèle basé sur les CNN qui intègre des caractéristiques linguistiques
et le réseau d’attention hiérarchique pour détecter les faux avis. Le modèle a démontré une précision de
92,8% sur un ensemble de données comprenant à la fois des avis faux et réels.
Une des approches populaires pour la détection des fausses nouvelles basée sur les CNN consiste à
utiliser une combinaison de couches de convolution et de max pooling pour capturer les caractéristiques
locales et leurs interactions à travers différentes régions du texte d’entrée. Par exemple, dans le travail
de Kim [155], un modèle CNN a été entraîné sur un grand ensemble de données d’articles de presse
et de messages sur les réseaux sociaux pour identifier les fausses nouvelles. Le modèle était composé
de plusieurs couches de convolution et de pooling, suivies d’une couche entièrement connectée pour la
classification. Les résultats ont montré que le modèle CNN proposé surpassait d’autres méthodes dans
la détection des fausses nouvelles.
Une autre approche pour la détection des fausses nouvelles basée sur les CNN consiste à utiliser
des embeddings de mots pré-entraînés pour représenter le texte d’entrée et à utiliser plusieurs filtres de
différentes tailles pour capturer différents niveaux de granularité dans le texte d’entrée. Par exemple,
de même que Ma et al. [156], un modèle CNN a été entraîné sur un ensemble de données d’articles
de presse et de tweets pour détecter les fausses nouvelles. Le modèle utilisait des embeddings de mots
pré-entraînés et plusieurs filtres de différentes tailles pour capturer les caractéristiques locales et leurs
interactions. Les résultats ont montré que le modèle CNN proposé atteignait une haute précision dans la
détection des fausses nouvelles.
À tel point que certains chercheurs ont également exploré l’utilisation du réseau d’attention hiérar-
chique dans les CNN pour la détection des fausses nouvelles. Par exemple, dans le travail de Zhang et al.
[152], un modèle CNN avec attention a été proposé pour détecter les fausses nouvelles à partir des plate-
formes de médias sociaux. Le mécanisme d’attention attribuait des poids à différents mots dans le texte
d’entrée en fonction de leur pertinence pour la tâche de détection des fausses nouvelles. Les résultats ont
montré que le modèle CNN proposé surpassait d’autres méthodes pour détecter les fausses nouvelles.
Yang et al. [157] proposent un CNN multicanal pour la détection des fausses nouvelles qui combine
des embeddings de caractères, de mots et de documents. Les auteurs mènent des expériences sur un en-
semble de données à grande échelle et montrent que leur modèle surpasse plusieurs bases de référence,
y compris les modèles d’apprentissage automatique traditionnels et d’autres architectures de réseaux
neuronaux. Wang et al. [158] présentent un modèle hybride qui combine un CNN et un LSTM bidirec-
tionnel pour la détection des fausses nouvelles. Le CNN est utilisé pour extraire des caractéristiques des
embeddings de mots, et le LSTM bidirectionnel est utilisé pour capturer des informations contextuelles.
Les auteurs évaluent leur modèle sur un ensemble de données de référence et montrent qu’il surpasse
plusieurs bases de référence.
Zhang et al. [152] proposent une approche basée sur les CNN pour la détection des fausses nouvelles
en utilisant des données de microblogs. Les auteurs utilisent des embeddings de mots pré-entraînés et
un CNN pour apprendre les caractéristiques locales et globales du texte. Ils évaluent leur modèle sur un
Processus de Détection de Fausses Informations Textuelles 57

ensemble de données de microblogs chinois et montrent qu’il surpasse plusieurs bases de référence.
Ghosh et al. [159] explorent l’utilisation de caractéristiques multimodales et de CNN pour la détec-
tion des fausses nouvelles. Les auteurs utilisent à la fois des caractéristiques textuelles et visuelles pour
entraîner un modèle basé sur les CNN. Ils évaluent leur modèle sur un ensemble de données de référence
et montrent que l’incorporation de caractéristiques visuelles peut améliorer les performances.
Ainsi, Wang et al. [160] proposent un CNN hiérarchique avec attention pour la détection des fausses
nouvelles. Les auteurs utilisent une architecture CNN à deux niveaux pour capturer à la fois les caracté-
ristiques locales et globales du texte, puis appliquent l’attention pour mettre en évidence les caractéris-
tiques importantes. Ils évaluent leur modèle sur un ensemble de données de référence et montrent qu’il
surpasse plusieurs bases de référence.
Processus de Détection de Fausses Informations Textuelles 58

Algorithm 6 Algorithme de Réseau de Neurones Convolutif pour la Détection des Fausses Nouvelles
1: function TRAINCNNMODEL(training_data, labels, num_epochs, batch_size, learning_rate, num_filters,
filter_sizes, dropout_rate, embedding_dim, vocab_size, max_seq_length)
2: Initialize CNN model with specified parameters
3: for each epoch from 1 to num_epochs do
4: for each batch in training_data divided by batch_size do
5: X_batch, y_batch ← GetNextBatch(training_data, labels, batch_size)
6: predictions ← ForwardPass(CNN, X_batch)
7: loss ← ComputeLoss(predictions, y_batch)
8: gradients ← BackwardPass(loss)
9: UpdateWeights(CNN, gradients, learning_rate)
10: return Trained CNN model
11: function PREDICT(CNN_model, test_data)
12: Initialize predictions to an empty list
13: for each x in test_data do
14: prediction ← ForwardPass(CNN_model, x)
15: Add prediction to predictions
16: return predictions
17: function FORWARDPASS(CNN_model, X)
18: embeddings ← Embed(X, vocab_size, embedding_dim)
19: conv_outputs ← []
20: for each filter_size in filter_sizes do
21: conv_output ← Conv1D(embeddings, filter_size, num_filters)
22: relu_output ← ReLU(conv_output)
23: pooled_output ← MaxPooling1D(relu_output)
24: Add pooled_output to conv_outputs
25: concatenated_output ← Concatenate(conv_outputs)
26: flattened_output ← Flatten(concatenated_output)
27: dense_output ← Dense(flattened_output, units, activation=’relu’)
28: dropout_output ← Dropout(dense_output, dropout_rate)
29: final_output ← Dense(dropout_output, num_classes, activation=’softmax’)
30: return final_output
31: function COMPUTELOSS(predictions, labels)
32: loss ← CategoricalCrossentropy(predictions, labels)
33: return loss
34: function BACKWARDPASS(loss)
35: gradients ← ComputeGradients(loss)
36: return gradients
37: function UPDATEWEIGHTS(CNN_model, gradients, learning_rate)
38: ApplyGradients(CNN_model, gradients, learning_rate)
39: return
40: function EMBED(X, vocab_size, embedding_dim)
41: embeddings ← EmbeddingLayer(X, vocab_size, embedding_dim)
42: return embeddings
Processus de Détection de Fausses Informations Textuelles 59

RNN

Une forme de Réseau de Neurones Récurrents appelée Long Short-Term Memory est créée pour
résoudre le problème du gradient en disparition qui affecte les RNN conventionnels. Le RNN peut avoir
du mal à apprendre des dépendances à long terme en raison du problème du gradient en disparition, qui
survient lorsque le gradient utilisé pour mettre à jour les poids lors de la rétropropagation diminue trop
pour effectuer des ajustements significatifs sur les poids.[161]
Pour résoudre ce problème, les LSTM incluent une cellule de mémoire et trois mécanismes de porte
responsables de la gestion du flux d’informations entrant et sortant de la cellule. Les trois portes sont
la porte d’entrée, la porte d’oubli et la porte de sortie. La porte d’entrée régule la quantité de nouvelles
informations pouvant entrer dans la cellule, la porte d’oubli régule la quantité d’informations pouvant
quitter la cellule, et la porte de sortie régule la quantité d’informations pouvant passer de la cellule à la
sortie. Un composant crucial des LSTM est la cellule de mémoire, qui permet au réseau de stocker et
de récupérer sélectivement des données au fil du temps. Chaque fois que les mécanismes de porte sont
activés, une combinaison linéaire de l’état précédent de la cellule et de l’entrée actuelle est utilisée pour
mettre à jour la cellule. La porte d’entrée choisit quelles nouvelles informations sont ajoutées à l’état de
la cellule, la porte d’oubli choisit quelles informations sont conservées de l’état précédent de la cellule,
et la porte de sortie choisit quelles informations sont transférées à la couche suivante du réseau.
Les LSTM ont été largement utilisés pour des activités de traitement du langage naturel (NLP)
comme la traduction automatique, l’analyse des sentiments et la classification de texte, ainsi que pour
des applications supplémentaires comme la reconnaissance vocale, la description d’images et l’analyse
vidéo. Le LSTM est une sorte de réseau neuronal récurrent qui s’adapte bien aux entrées temporelles ou
séquentielles telles que les textes. Un RNN est un type de réseau neuronal où l’état caché est alimenté
dans une boucle avec les entrées séquentielles. Il y en a généralement une version déroulée (Figure 2.11).
Chacun des Xi étant une valeur dans la séquence.

F IGURE 2.11 – Un réseau de neurones récurrent déroulé ([4]).

Dans ce cas, les valeurs Xi sont des vecteurs de mots. Il y a deux possibilités, soit utiliser un vecteur
pré-entraîné avec word2vec, soit faire de Xi un paramètre à apprendre de la même manière que cela
fonctionne pour l’algorithme Word2Vec, en ayant un encodage one-hot du mot et une matrice de poids
à régler. Chaque méthode sera utilisée. Les réseaux de neurones récurrents ne fonctionnent pas très bien
Processus de Détection de Fausses Informations Textuelles 60

avec les dépendances à long terme, c’est pourquoi les LSTM ont été introduits. Il est composé d’une
porte d’entrée, d’une porte de sortie et d’une porte d’oubli qui sont combinées dans l’équation suivante
2.8.
ft = σg (W f xt + U f ht−1 + b f ) (2.8)

La figure 2.12 montre comment cela fonctionne. Un LSTM bidirectionnel fonctionne de la même
manière, mais l’entrée est alimentée dans les deux sens, du début à la fin et de la fin au début.

F IGURE 2.12 – LSTM gates([4])

2.6.2 BI-LSTM
Les modèles de mémoire à long terme bidirectionnels (Bi-LSTM) sont un type d’architecture de
réseau neuronal récurrent (RNN) couramment utilisés pour le traitement des données séquentielles, no-
tamment les tâches de traitement du langage naturel (NLP) [162]. Le modèle Bi-LSTM étend le modèle
LSTM traditionnel en prenant en compte les informations des étapes passées et futures de la séquence
d’entrée. Dans le Bi-LSTM, la séquence d’entrée est traitée dans deux directions : avant et arrière. Cela
signifie que la séquence d’entrée est alimentée dans deux réseaux LSTM distincts. L’un traite la séquence
dans son ordre original (LSTM avant) et l’autre traite la séquence dans l’ordre inverse (LSTM arrière).
Les sorties LSTM avant et arrière sont ensuite concaténées à chaque étape temporelle.
— État de la cellule :

ct = ft · ct−1 + it · tanh(Wc xt + Wc ht−1 + bc ) (2.9)

— Porte d’entrée :
it = σ (Wix xt + Wih ht−1 + bi ) (2.10)

— Porte de sortie :

ot = σ (Wox xt + Woh ht−1 + bo ) (2.11)

— État caché :
ht = ot · tanh(ct ) (2.12)

— Porte d’oubli :
ft = σ (W f x xt + W f h ht−1 + b f ) (2.13)
Processus de Détection de Fausses Informations Textuelles 61

Les cellules Bi-LSTM comportent de nombreuses couches pour chaque itération T , y compris une
couche d’entrée Xt , une couche de sortie ht et une couche cachée ht−1 . Chaque cellule partage certains
états avec d’autres cellules pendant l’entraînement ou les mises à jour des paramètres, comme illustré à
la Figure 2.13.

F IGURE 2.13 – Modèle Bi-LSTM [5]

William Yang Wang et al.[163] propose une méthode pour détecter les fausses informations sur les
réseaux sociaux en utilisant des réseaux neuronaux LSTM bidirectionnels. Les auteurs ont construit un
ensemble de données de 16 000 tweets en anglais contenant des informations vraies et fausses et ont
atteint une précision de 85% avec leur modèle BiLSTM.
Monti et al.[164] ont proposé une méthode pour repérer les fausses nouvelles sur les réseaux sociaux
en utilisant des réseaux neuronaux convolutifs et des réseaux BiLSTM. Ils ont comparé leur approche à
d’autres méthodes existantes de détection de désinformation et ont démontré que leur modèle était plus
efficace. Ils ont également utilisé une méthode de géométrie d’apprentissage profond pour améliorer la
précision.
Jia et al.[165] ont proposé une méthode pour détecter les fausses nouvelles en utilisant des réseaux
neuronaux BiLSTM, en tenant compte de la position de l’auteur par rapport aux faits présentés dans le
texte. Les auteurs ont utilisé un ensemble de données contenant des articles de presse en anglais et ont
démontré que leur modèle était plus efficace que d’autres approches de détection de désinformation.
Tan et al.[166] ont proposé un BiLSTM avec un mécanisme d’attention pour détecter les fausses
nouvelles. Le modèle a été entraîné sur un ensemble de données d’articles de presse étiquetés comme
réels ou faux et a atteint des performances de pointe par rapport à d’autres modèles sur le même ensemble
de données.
L’étude utilisée dans [167] utilise un BiLSTM avec un mécanisme d’auto-attention pour détecter les
fausses nouvelles sur les réseaux sociaux en intégrant les informations de contexte social. Le modèle a
atteint des performances de pointe sur un ensemble de données de tweets étiquetés comme réels ou faux.
Zhang et al.[152] ont proposé un BiLSTM basé sur l’attention pour détecter les fausses nouvelles qui
peut capturer à la fois les dépendances locales et globales dans le texte. Le modèle a été évalué sur deux
ensembles de données d’articles de presse étiquetés comme réels ou faux et a atteint des performances
Processus de Détection de Fausses Informations Textuelles 62

de pointe par rapport à d’autres modèles sur les mêmes ensembles de données. Cette étude a proposé un
BiLSTM basé sur l’attention pour détecter les rumeurs sur les réseaux sociaux en utilisant l’apprentissage
multitâche, qui consiste à apprendre conjointement à classifier les rumeurs et à identifier la source de la
rumeur. Le modèle a atteint des performances de pointe sur un ensemble de données de tweets étiquetés
comme rumeurs ou non-rumeurs.
Feng et al.[168] ont proposé un BiLSTM avec attention graphique pour détecter les fausses nouvelles
dans les articles de presse. Le modèle incorpore les relations entre les entités dans le texte en utilisant
une structure de graphe et a atteint des performances de pointe sur un ensemble de données d’articles de
presse étiquetés comme réels ou faux.
Goyal et al.[169] ont proposé un modèle de détection des fausses nouvelles qui combine BiLSTM
avec un mécanisme d’attention et CNN. Le modèle proposé a atteint un score F1 de 0,94 sur l’ensemble
de données LIAR, surpassant plusieurs modèles de pointe.
Wu et al.[170] ont proposé un modèle de détection des fausses nouvelles qui combine BiLSTM avec
CNN et un mécanisme d’attention. Le modèle proposé a atteint un score F1 de 0,91 sur l’ensemble de
données LIAR, surpassant plusieurs modèles de pointe.
Panigrahi et al.[171] ont proposé un modèle de détection des fausses nouvelles qui intègre BiLSTM
avec CNN et un mécanisme d’attention, atteignant un score F1 remarquable de 0,89 sur l’ensemble de
données LIAR. De même, Qian et al.[172] ont proposé un modèle de détection des fausses nouvelles qui
combine BiLSTM avec CNN et un mécanisme d’attention. Le modèle proposé a atteint un score F1 de
0,83 sur l’ensemble de données LIAR, surpassant plusieurs modèles de pointe.
Dans une autre étude de Zhang et al.[152], les auteurs ont utilisé un modèle BiLSTM-CNN pour la
détection des fausses nouvelles. Le modèle tire parti à la fois de la nature séquentielle et convolutive
des données d’entrée pour extraire des caractéristiques pertinentes. Les auteurs ont évalué leur modèle
sur deux ensembles de données de référence et ont obtenu des résultats de pointe. De même, une étude
d’Arora et al.[149] a proposé un modèle basé sur BiLSTM qui utilise des embeddings contextuels et un
mécanisme d’attention pour la détection des fausses nouvelles. Les auteurs ont évalué leur modèle sur
un ensemble de données d’articles de presse et ont atteint une précision de 92,4%.
Dans une étude récente de Chen et al.[173], les auteurs ont proposé un modèle multitâche basé
sur BiLSTM pour la détection des fausses nouvelles. Le modèle effectue deux tâches simultanément :
identifier la véracité des articles de presse et détecter leur position. Les auteurs ont évalué leur modèle
sur un ensemble de données d’articles de presse politiques et ont obtenu des résultats de pointe sur les
deux tâches.
Qiu et al.[148] décrit un système basé sur Bi-LSTM pour reconnaître les caractères manuscrits en
utilisant l’ensemble de données NIST. Les auteurs prétraitent les données en utilisant des techniques de
normalisation d’image et d’augmentation des données, et utilisent un réseau Bi-LSTM pour classifier les
caractères. Ils atteignent une précision de 97,3% sur l’ensemble de données NIST.
Sun et al.[174] décrit un système d’apprentissage profond pour la reconnaissance de mots anglais
manuscrits en utilisant le dataset NIST. Les auteurs utilisent un réseau Bi-LSTM pour traiter les images
Processus de Détection de Fausses Informations Textuelles 63

de mots et atteignent une précision de 93,6%. Ils comparent également les performances de leur système
à d’autres approches, y compris les méthodes basées sur des caractéristiques traditionnelles et d’autres
modèles d’apprentissage profond.
Zhao et al.[161] décrit un système basé sur Bi-LSTM pour la reconnaissance de mots anglais manus-
crits en utilisant le dataset NIST. Les auteurs utilisent une combinaison de techniques d’augmentation de
données, y compris la rotation et la translation, pour augmenter la taille de l’ensemble d’entraînement.
Ils atteignent une précision de 95,5% sur le dataset NIST et comparent leur approche à d’autres modèles
d’apprentissage profond.
Conneau dans son article[175] compare les performances des réseaux de neurones convolution-
nels (CNN) et des réseaux Bi-LSTM sur une gamme de tâches de classification de texte. Les auteurs
constatent que les modèles CNN surpassent les modèles Bi-LSTM sur la plupart des tâches, mais que les
modèles Bi-LSTM performent mieux sur certaines tâches où il est important de capturer les dépendances
à long terme dans le texte.
Kim et al.[176] propose un modèle CNN pour la classification de phrases et compare ses perfor-
mances à des modèles traditionnels tels que les modèles bag-of-words et n-gram. L’auteur constate que
le modèle CNN surpasse les autres modèles sur plusieurs datasets de référence.
Zhang et al.[152] analysent les performances des CNN, des réseaux Bi-LSTM et d’autres modèles
pour la classification de phrases à travers une gamme d’hyperparamètres et de paramètres d’entrée. Les
auteurs constatent que les réseaux Bi-LSTM performent bien sur les petits datasets, tandis que les CNN
performent mieux sur les grands datasets. Ils fournissent également des recommandations pour optimiser
les performances des deux modèles.
Tang et al.[177] proposent un modèle de réseau de neurones récurrents avec portes (GRU) pour la
classification des sentiments et comparent ses performances à des modèles traditionnels tels que les ma-
chines à vecteurs de support et les arbres de décision. Les auteurs constatent que le modèle GRU surpasse
les autres modèles sur plusieurs datasets de référence. Ces articles montrent que les réseaux de neurones
BiLSTM sont une approche prometteuse pour la détection des fausses nouvelles et la vérification des
faits. Il est possible d’utiliser ces outils seuls ou en collaboration avec d’autres méthodes de traitement
du langage naturel afin d’améliorer l’efficacité de la détection des fausses informations.
Processus de Détection de Fausses Informations Textuelles 64

Algorithm 7 Algorithme Bi-LSTM pour la Détection des Fausses Nouvelles

1: function TRAINBILSTMMODEL(training_data, labels, num_epochs, batch_size, learning_rate,
embedding_dim, vocab_size, max_seq_length, lstm_units, dropout_rate)
2: Initialize BI-LSTM model with specified parameters
3: for each epoch from 1 to num_epochs do
4: for each batch in training_data divided by batch_size do
5: X_batch, y_batch ← GetNextBatch(training_data, labels, batch_size)
6: predictions ← ForwardPass(BI-LSTM, X_batch)
7: loss ← ComputeLoss(predictions, y_batch)
8: gradients ← BackwardPass(loss)
9: UpdateWeights(BI-LSTM, gradients, learning_rate)
10: return Trained BI-LSTM model
11: function PREDICT(BILSTM_model, test_data)
12: Initialize predictions to an empty list
13: for each x in test_data do
14: prediction ← ForwardPass(BILSTM_model, x)
15: Add prediction to predictions
16: return predictions
17: function FORWARDPASS(BILSTM_model, X)
18: embeddings ← Embed(X, vocab_size, embedding_dim)
19: bi_lstm_output ← BI-LSTM(embeddings, lstm_units)
20: dropout_output ← Dropout(bi_lstm_output, dropout_rate)
21: final_output ← Dense(dropout_output, num_classes, activation=’softmax’)
22: return final_output
23: function COMPUTELOSS(predictions, labels)
24: loss ← CategoricalCrossentropy(predictions, labels)
25: return loss
26: function BACKWARDPASS(loss)
27: gradients ← ComputeGradients(loss)
28: return gradients
29: function UPDATEWEIGHTS(BILSTM_model, gradients, learning_rate)
30: ApplyGradients(BILSTM_model, gradients, learning_rate)
31: return
32: function EMBED(X, vocab_size, embedding_dim)
33: embeddings ← EmbeddingLayer(X, vocab_size, embedding_dim)
34: return embeddings
Processus de Détection de Fausses Informations Textuelles 65

2.6.3 HAN
HAN est un type de modèle d’apprentissage profond conçu pour gérer les structures hiérarchiques
dans les données textuelles. Le modèle HAN comprend deux niveaux d’attention : l’attention au niveau
des mots et l’attention au niveau des phrases. La couche d’attention au niveau des mots attribue des
poids différents à chaque mot de la séquence, en fonction de son importance dans le contexte de l’article
de presse. La couche d’attention au niveau des phrases attribue des poids différents à chaque phrase de
l’article, en fonction de son importance pour déterminer si l’article est réel ou faux. Plusieurs études
récentes ont exploré l’utilisation de HAN pour la détection des fausses nouvelles. Voici quelques-unes
des études notables :

F IGURE 2.14 – Modèle HAN [6]

Le Gated Recurrent Unit (GRU) incorpore des unités de porte qui régulent le flux d’information à
l’intérieur de l’unité, similaire à une unité LSTM. Néanmoins, le GRU possède moins de paramètres
puisqu’il n’a pas de porte de sortie, ce qui entraîne une structure plus simple comparée au processus
LSTM [178]. La formulation fondamentale d’une couche GRU est la suivante :

zt = σ (xt Uz + ht−1Wz ) (2.14)

rt = σ (xt Ur + ht−1Wr ) (2.15)
h̃t = tanh(xt Uh + (ht−1 ⊙ rt )Wh ) (2.16)
ht = (1 − zt ) ⊙ ht−1 + zt ⊙ h̃t (2.17)

La porte de réinitialisation rt détermine comment la nouvelle entrée collabore avec la mémoire précé-
dente, tandis que la porte de mise à jour zt spécifie dans quelle mesure la mémoire précédente est intégrée
dans l’étape temporelle actuelle. De plus, le terme h̃t représente l’activation candidate de l’état caché ht .
Processus de Détection de Fausses Informations Textuelles 66

Yang et al. [6] ont proposé un modèle basé sur HAN qui combine le réseau d’attention hiérarchique au
niveau des mots et des phrases pour capturer la structure hiérarchique des articles de presse. Le modèle
a bien performé sur plusieurs jeux de données de référence.
Li et al.[179] ont proposé une approche basée sur HAN pour la détection des fausses nouvelles
qui utilise un mécanisme de fusion de caractéristiques novateur. Ils ont utilisé un ensemble de données
d’articles de presse étiquetés et ont atteint une précision de 95,7%.
Dans une étude plus récente publiée dans IEEE Access, Wang et al.[95] ont proposé un modèle basé
sur HAN qui utilise à la fois des caractéristiques textuelles et visuelles pour détecter les fausses nouvelles
sur les réseaux sociaux. Les auteurs ont incorporé un réseau de neurones convolutif (CNN) pour extraire
des caractéristiques visuelles à partir des images, et un HAN pour capturer la structure hiérarchique
du contenu textuel. Le modèle proposé a atteint une précision supérieure à plusieurs autres modèles de
référence.
Une autre étude publiée dans IEEE Access par Li et al.[180] a proposé un modèle basé sur HAN
qui utilise l’apprentissage multi-tâches pour détecter simultanément les fausses nouvelles et distinguer
les différents types de fausses nouvelles. Le modèle a bien performé sur plusieurs jeux de données,
démontrant l’efficacité de l’approche proposée. Dans une étude publiée dans le Journal of Ambient
Intelligence and Humanized Computing, Dai et al.[181] ont développé un cadre basé sur HAN qui intègre
des graphes de connaissances externes pour détecter les fausses nouvelles dans les articles de presse. Le
modèle a atteint une performance de pointe sur plusieurs jeux de données de référence.
Kaur et al.[182] ont proposé un modèle HAN qui incorpore à la fois des caractéristiques textuelles
et visuelles pour détecter les fausses nouvelles dans les images. Le modèle a atteint une haute précision
dans la détection des images de fausses nouvelles sur l’ensemble de données Snopes.
D’autres études ont exploré l’utilisation de HANs en combinaison avec d’autres techniques, telles
que les réseaux convolutionnels de graphes (GCNs) et l’entraînement adversarial. Par exemple, Chen
et al.[183] ont proposé un modèle HAN-GCN qui intègre des informations graphiques pour obtenir de
meilleures performances dans la détection des fausses nouvelles. Dans une étude de Chen et al.[183], un
modèle HAN avec un entraînement adversarial a montré une amélioration de la robustesse de la détection
des fausses nouvelles.
D’autres études ont exploré l’utilisation des HANs spécifiquement pour identifier les caractéris-
tiques linguistiques des fausses nouvelles. Par exemple, dans une étude publiée dans le journal Applied
Sciences, Gao et al.[181] ont développé un modèle de détection des fausses nouvelles qui utilise des
HANs pour analyser la complexité linguistique des articles de presse. Le modèle a atteint une précision
de 87,3% sur un ensemble de données d’articles de presse réels et faux.
Enfin, dans une étude publiée dans Information Processing and Management, Zhou et al.[184] ont
proposé un modèle basé sur HAN qui exploite des sources de connaissances externes pour améliorer
la détection des fausses nouvelles. Les auteurs ont incorporé les connaissances provenant de sources
externes telles que les embeddings de mots et les structures de réseaux sociaux dans le modèle HAN. Le
modèle proposé a surpassé plusieurs autres méthodes de référence sur deux jeux de données de référence.
Processus de Détection de Fausses Informations Textuelles 67

De même, certaines études ont exploré l’utilisation des HANs en échange d’autres types de données,
comme les données des réseaux sociaux ou les commentaires des utilisateurs. Par exemple, dans une
étude publiée dans le journal Social Network Analysis and Mining, Hu et al.[185] ont développé un
modèle de détection des fausses nouvelles qui combine des HANs avec des techniques d’analyse de
réseaux sociaux. Le modèle a atteint une précision de 83,9% sur un ensemble de données d’articles de
fausses nouvelles et de commentaires d’utilisateurs.
En résumé, les HANs ont montré un grand potentiel dans la détection des fausses nouvelles et de
la propagande, en particulier lorsqu’ils sont combinés avec d’autres techniques d’apprentissage automa-
tique et des sources de données multimodales. Les études mentionnées ci-dessus fournissent des infor-
mations importantes sur l’utilisation des HANs pour la détection des fausses nouvelles et offrent des
directions prometteuses pour la recherche future dans ce domaine.
Processus de Détection de Fausses Informations Textuelles 68

Algorithm 8 Algorithme de Réseau Hiérarchique à Attention pour la Détection des Fausses Nouvelles
1: function TRAINHANMODEL(training_data, labels, num_epochs, batch_size, learning_rate, embed-
ding_dim, vocab_size, max_seq_length, lstm_units, attention_units, dropout_rate)
2: Initialize Hierarchical Attention Network with specified parameters
3: for each epoch from 1 to num_epochs do
4: for each batch in training_data divided by batch_size do
5: X_batch, y_batch ← GetNextBatch(training_data, labels, batch_size)
6: predictions ← ForwardPass(HAN, X_batch)
7: loss ← ComputeLoss(predictions, y_batch)
8: gradients ← BackwardPass(loss)
9: UpdateWeights(HAN, gradients, learning_rate)
10: return Trained Hierarchical Attention Network
11: function PREDICT(HAN_model, test_data)
12: Initialize predictions to an empty list
13: for each x in test_data do
14: prediction ← ForwardPass(HAN_model, x)
15: Add prediction to predictions
16: return predictions
17: function FORWARDPASS(HAN_model, X)
18: embeddings ← Embed(X, vocab_size, embedding_dim)
19: word_level_lstm_output ← BI-LSTM(embeddings, lstm_units)
20: word_level_attention_output ← Attention(word_level_lstm_output, attention_units)
21: sentence_level_lstm_output ← BI-LSTM(word_level_attention_output, lstm_units)
22: sentence_level_attention_output ← Attention(sentence_level_lstm_output, attention_units)
23: dropout_output ← Dropout(sentence_level_attention_output, dropout_rate)
24: final_output ← Dense(dropout_output, num_classes, activation=’softmax’)
25: return final_output
26: function COMPUTELOSS(predictions, labels)
27: loss ← CategoricalCrossentropy(predictions, labels)
28: return loss
29: function BACKWARDPASS(loss)
30: gradients ← ComputeGradients(loss)
31: return gradients
32: function UPDATEWEIGHTS(HAN_model, gradients, learning_rate)
33: ApplyGradients(HAN_model, gradients, learning_rate)
34: return
35: function EMBED(X, vocab_size, embedding_dim)
36: embeddings ← EmbeddingLayer(X, vocab_size, embedding_dim)
37: return embeddings
38: function ATTENTION(lstm_output, attention_units)
39: attention_weights ← Dense(lstm_output, attention_units, activation=’tanh’)
40: context_vector ← DotProduct(attention_weights, lstm_output)
41: return context_vector
Processus de Détection de Fausses Informations Textuelles 69

2.7 Fonctions d’activation

Les fonctions d’activation jouent un rôle crucial dans les réseaux de neurones artificiels, influençant
directement les performances du modèle et la manière dont les informations sont propagées et transfor-
mées à travers les couches d’un réseau. Leur objectif principal est de décider si un neurone particulier
doit être activé ou non en appliquant une transformation non linéaire aux entrées reçues, permettant ainsi
au modèle d’apprendre et de résoudre des problèmes complexes. Cette section présente les principales
fonctions d’activation, leurs avantages, leurs inconvénients et leurs domaines d’utilisation.

2.7.1 Fonction Sigmoïde (Sigmoid)

La fonction Sigmoïde, également connue sous le nom de fonction logistique[186], est définie mathé-
matiquement comme suit :
1
σ (x ) = (2.18)
1 + e−x
où x est l’entrée, et σ (x) est la sortie de la fonction. La fonction Sigmoïde prend une valeur d’entrée
réelle et la transforme en une sortie dans l’intervalle (0, 1), ce qui est particulièrement utile pour les
tâches de classification binaire. La sortie peut être interprétée comme une probabilité, avec des valeurs
proches de 0 indiquant une forte probabilité que l’entrée appartienne à une classe, et des valeurs proches
de 1 indiquant une forte probabilité pour l’autre classe[187].
Cette fonction est largement utilisée dans les premières architectures de réseaux de neurones, no-
tamment dans les réseaux neuronaux multicouches [188, 189] et les réseaux de neurones récurrents.
Cependant, elle a été progressivement remplacée par d’autres fonctions d’activation plus performantes
dans les réseaux profonds.
Avantages et inconvénients : La fonction Sigmoïde présente plusieurs avantages dans certains contextes,
mais elle a aussi des limitations importantes.
Tout d’abord, un de ses principaux avantages réside dans sa capacité à générer des sorties lisses et
différentiables dans un intervalle de probabilités, ce qui est particulièrement adapté pour les tâches de
classification binaire et pour la rétropropagation du gradient (backpropagation). Cette propriété permet
une optimisation efficace grâce à des méthodes de gradient, ce qui a été l’une des raisons pour lesquelles
cette fonction a été largement adoptée dans les premières architectures de réseaux neuronaux .
Cependant, la fonction Sigmoïde souffre de plusieurs inconvénients majeurs, notamment le problème
de gradient qui disparaît (vanishing gradient problem). Lorsque la valeur d’entrée est soit très élevée
(positive) soit très basse (négative), la dérivée de la fonction Sigmoïde devient extrêmement petite. Par
conséquent, les gradients associés à ces neurones peuvent devenir presque nuls lors de la rétropropa-
gation, rendant l’apprentissage extrêmement lent pour les couches profondes du réseau. Ce problème
est particulièrement prévalent dans les réseaux neuronaux profonds, où plusieurs couches utilisent cette
fonction, ce qui ralentit considérablement la convergence des poids .
Processus de Détection de Fausses Informations Textuelles 70

Un autre inconvénient est que la fonction Sigmoïde n’est pas centrée autour de zéro. Les valeurs de
sortie sont toujours positives, ce qui peut provoquer des déséquilibres dans les poids mis à jour. Lorsque
les poids sont ajustés, cela peut entraîner une instabilité de l’apprentissage, car les gradients sont toujours
positifs, forçant le modèle à faire des ajustements moins précis. Par conséquent, des fonctions comme
Tanh, qui sont centrées autour de zéro, sont souvent préférées dans des scénarios similaires[190, 191].
Enfin, la fonction Sigmoïde est sujette à la saturation, c’est-à-dire que pour des valeurs très élevées
ou très basses, la sortie est respectivement proche de 1 ou de 0, entraînant une perte de précision dans les
gradients et l’apprentissage. Cela peut aussi conduire à un ralentissement de la convergence du réseau,
nécessitant plus d’itérations d’apprentissage .
Domaine d’utilisation : La fonction Sigmoïde est principalement utilisée dans les tâches de clas-
sification binaire, ainsi que dans les réseaux neuronaux récurrents (RNN), où elle peut être utile pour
maintenir des activations dans une plage limitée. Bien qu’elle soit moins utilisée dans les réseaux neuro-
naux profonds aujourd’hui, elle reste pertinente pour les modèles moins complexes et les problèmes de
classification binaires simples .

2.7.2 Fonction Tangente Hyperbolique (Tanh)

La fonction Tangente Hyperbolique, ou Tanh, est une fonction d’activation non linéaire couramment
utilisée dans les réseaux de neurones [189], en particulier dans les réseaux de neurones récurrents (RNN).
Elle est définie par la formule suivante :

ex − e−x
tanh(x) = (2.19)
ex + e−x

La fonction Tanh est une fonction sigmoïde modifiée qui convertit une entrée réelle en une sortie
comprise entre -1 et 1, contrairement à la fonction sigmoïde classique qui est bornée entre 0 et 1. Cette
caractéristique rend Tanh plus adaptée dans de nombreux cas, notamment dans les réseaux où les données
sont centrées autour de zéro[188].
Avantages : La fonction Tanh présente plusieurs avantages qui la rendent plus efficace que la fonction
Sigmoïde dans certains scénarios :
— Centrée sur zéro : Contrairement à la fonction sigmoïde, dont les sorties sont limitées entre 0 et 1,
la fonction Tanh produit des sorties entre -1 et 1. Cela signifie que les valeurs négatives peuvent
être prises en compte dans les prédictions, ce qui facilite l’apprentissage dans des réseaux où
les données sont symétriques autour de zéro. Cela permet de mieux équilibrer les poids dans les
couches du réseau de neurones pendant la phase d’apprentissage[187, 192].
— Performance sur les données normalisées : La fonction Tanh est souvent utilisée lorsque les don-
nées sont centrées autour de zéro après une normalisation. Elle aide à capturer des dépendances
complexes dans les données, ce qui la rend efficace pour des tâches non linéaires complexes
comme dans les réseaux de neurones récurrents ou les réseaux neuronaux convolutionnels profonds[193].
Processus de Détection de Fausses Informations Textuelles 71

— Saturation moins sévère : Bien que la fonction Tanh puisse aussi saturer (comme la Sigmoïde),
elle a tendance à saturer moins sévèrement pour des valeurs modérées d’entrée[194]. Cela peut
conduire à des gradients légèrement plus stables lors de la rétropropagation, par rapport à la fonc-
tion Sigmoïde .
Inconvénients : Malgré ses avantages, la fonction Tanh présente certains inconvénients qui peuvent
limiter son efficacité dans certaines architectures de réseaux de neurones :
— Problème de gradient qui disparaît : Comme la fonction Sigmoïde, la fonction Tanh souffre éga-
lement du problème de vanishing gradient, surtout pour des valeurs d’entrée extrêmes. Lorsque
les entrées deviennent trop grandes ou trop petites, la fonction Tanh commence à saturer, ce qui
conduit à des gradients proches de zéro. Cela ralentit considérablement l’apprentissage, en parti-
culier dans les réseaux profonds avec plusieurs couches [195].
— Coût computationnel élevé : La fonction Tanh implique le calcul de fonctions exponentielles, ce
qui la rend plus coûteuse en termes de calcul que des fonctions d’activation plus simples comme
ReLU. Ce coût supplémentaire peut devenir significatif dans les architectures de réseaux neuro-
naux très profonds ou pour des tâches nécessitant un traitement en temps réel .
— Moins adaptée aux couches profondes : Bien que la fonction Tanh soit efficace dans les couches
de surface des réseaux neuronaux, elle est moins performante dans les réseaux neuronaux très
profonds. Pour ces réseaux, des fonctions comme ReLU et ses variantes sont préférées, car elles
atténuent le problème du gradient qui disparaît et offrent de meilleures performances globales sur
les grandes architectures neuronales .
La fonction Tanh est un choix populaire pour les réseaux de neurones lorsqu’il s’agit de modéliser des
données symétriques et non linéaires. Sa capacité à produire des sorties centrées autour de zéro la rend
particulièrement utile dans les réseaux récurrents (RNN). Cependant, elle souffre encore du problème de
gradient qui disparaît, ce qui limite son efficacité dans les réseaux profonds. Néanmoins, elle reste un
bon compromis entre simplicité et capacité de modélisation non linéaire.

2.7.3 Fonction Rectified Linear Unit (ReLU)

La fonction ReLU est l’une des fonctions d’activation les plus populaires dans les réseaux de neu-
rones profonds. Elle est définie comme suit :

ReLU(x) = max(0, x) (2.20)

La fonction ReLU renvoie la valeur d’entrée lorsqu’elle est positive, et 0 sinon. Elle introduit une
non-linéarité tout en restant simple à calculer.

Domaine d’application ReLU est principalement utilisée dans les réseaux de neurones convolution-
nels, les réseaux profonds, et d’autres architectures modernes de deep learning. Elle est particulièrement
Processus de Détection de Fausses Informations Textuelles 72

efficace pour traiter des problèmes liés à l’image, au texte et à d’autres formes de données non structurées
[188].

Avantages La fonction ReLU a gagné en popularité pour plusieurs raisons. Contrairement aux fonc-
tions d’activation sigmoïde et tangente hyperbolique, ReLU n’a pas de problème de saturation dans les
valeurs positives. En conséquence, elle permet une rétropropagation plus efficace des gradients, ce qui
accélère l’apprentissage dans les réseaux de neurones profonds [196]. ReLU est également rapide à cal-
culer, car elle ne nécessite qu’une simple comparaison, ce qui améliore la vitesse d’exécution globale
du réseau . Cette efficacité est particulièrement utile pour les réseaux profonds avec des millions de
paramètres.
Un autre avantage majeur est que ReLU aide à atténuer le problème du gradient qui disparaît, souvent
observé dans les couches profondes des réseaux de neurones lorsqu’on utilise des fonctions comme
Sigmoid ou Tanh .

Inconvénients Malgré ses avantages, ReLU présente certains inconvénients notables. L’un des plus
importants est le problème des neurones morts. Si un neurone reçoit constamment des entrées négatives,
la sortie de ReLU sera toujours zéro, empêchant le neurone de contribuer à l’apprentissage. Ce problème
peut entraîner la mort de certains neurones, qui ne s’activent plus pendant tout le processus d’entraîne-
ment. Cette difficulté peut être partiellement atténuée en utilisant des variantes comme Leaky ReLU ou
Parametric ReLU [195].
De plus, bien que ReLU soit efficace dans les couches intermédiaires d’un réseau, son comportement
non borné pour les valeurs positives peut conduire à des activations trop importantes. Cela peut, dans
certains cas, déstabiliser le réseau pendant l’entraînement et nécessiter l’utilisation de techniques comme
la normalisation par lots (batch normalization) pour stabiliser les gradients.

2.7.4 Fonction Leaky ReLU

La fonction Leaky ReLU est une variante de la fonction ReLU, qui vise à résoudre le problème
des « neurones morts » (Dead Neurons) rencontré dans ReLU. Ce problème survient lorsque les va-
leurs négatives d’entrée conduisent à des gradients nuls, empêchant ainsi ces neurones de contribuer à
l’apprentissage. Leaky ReLU introduit une petite pente pour les valeurs négatives, définie par :

x si x > 0
Leaky ReLU(x) = (2.21)
αx si x ≤ 0
où α est un petit facteur, souvent fixé à une valeur comme 0.01, permettant un flux de gradient même
pour des valeurs négatives .

Avantages et inconvénients La fonction Leaky ReLU présente plusieurs avantages par rapport à la
ReLU classique. Tout d’abord, elle résout partiellement le problème des neurones morts en introduisant
Processus de Détection de Fausses Informations Textuelles 73

un petit gradient dans la région négative de l’entrée, ce qui permet aux neurones d’apprendre même
si leur sortie est négative. Cela aide à éviter des situations où une grande partie du réseau devient in-
active pendant l’entraînement. Contrairement à la fonction ReLU qui bloque complètement les valeurs
négatives en renvoyant zéro, Leaky ReLU offre une meilleure capacité d’apprentissage dans les réseaux
profonds en facilitant la propagation des gradients.
Cependant, Leaky ReLU n’est pas exempte de limitations. Le principal inconvénient est que le choix
de la valeur de α est un hyperparamètre sensible qui peut nécessiter des ajustements manuels ou une
validation croisée pour chaque jeu de données ou modèle spécifique. Une valeur inappropriée de α
pourrait entraîner une convergence plus lente ou des résultats sous-optimaux [195]. De plus, comme
avec ReLU, la fonction Leaky ReLU n’est pas centrée sur zéro, ce qui peut provoquer un certain biais
dans la mise à jour des poids pendant l’entraînement [187].

2.7.5 Fonction Softmax

Les réseaux de neurones utilisent fréquemment la fonction Softmax pour activer les couches de sortie
des modèles de classification multi-classes. Elle est définie comme suit :

ezi
Softmax(zi ) = (2.22)
∑ j ez j
où zi est la valeur de la i-ème unité de sortie, et la somme dans le dénominateur est effectuée sur toutes
les unités de sortie j. La fonction Softmax transforme les valeurs d’entrée en probabilités normalisées, ce
qui signifie que la sortie de la fonction Softmax est un vecteur dont la somme des composantes est égale
à 1. Cette propriété en fait une fonction idéale pour les problèmes de classification où chaque entrée doit
être classée en une seule classe parmi plusieurs.

Domaine d’utilisation Dans les couches de sortie des réseaux de neurones, la fonction Softmax est
principalement employée pour des tâches de classification multi-classes. Elle est efficace pour convertir
les scores bruts (logits) en probabilités interprétables, permettant ainsi de faire des prévisions sur la classe
à laquelle un échantillon appartient. En raison de sa capacité à fournir une distribution de probabilité,
elle est particulièrement utile dans des domaines tels que la reconnaissance d’images, la classification de
texte, et la reconnaissance vocale.

Avantages et Inconvénients La fonction Softmax présente plusieurs avantages significatifs. Tout d’abord,
elle fournit une sortie qui est directement interprétable comme une probabilité, facilitant ainsi la prise de
décision. Les sorties sont normalisées pour être dans la plage [0,1], ce qui simplifie l’interprétation des
résultats. De plus, la Softmax est différentiable, ce qui permet l’utilisation de la rétropropagation pour
l’entraînement des modèles.
Processus de Détection de Fausses Informations Textuelles 74

Cependant, la fonction Softmax présente également des inconvénients. L’un des principaux pro-
blèmes est la sensibilité aux valeurs extrêmes. Les grandes valeurs des logits peuvent entraîner des pro-
babilités proches de 1 pour certaines classes et des probabilités proches de 0 pour les autres, ce qui peut
rendre le modèle sur-confiant et moins robuste face aux variations des données. De plus, la Softmax est
sensible aux déséquilibres dans les classes ; lorsque les données sont fortement déséquilibrées, la fonc-
tion peut amplifier les biais existants dans les données d’entraînement. Enfin, le calcul de la Softmax
peut être numériquement instable lorsque les valeurs d’entrée sont très grandes ou très petites, ce qui
peut entraîner des problèmes de précision.

2.7.6 Fonction Swish

La fonction d’activation Swish, introduite par Ramachandran et al. en 2017, est définie par la formule
suivante :

Swish(x) = x · σ (x) (2.23)

où σ (x) représente la fonction sigmoïde σ (x) = 1+1e−x . Cette fonction d’activation a été proposée
comme une alternative aux fonctions d’activation plus classiques telles que ReLU et ses variantes.
Domaine d’Utilisation : La fonction Swish est essentiellement employée dans les réseaux de neu-
rones profonds, tels que les architectures de réseaux convolutifs et les réseaux de neurones récurrents.
Grâce à sa souplesse et à ses caractéristiques uniques, il est intéressant de le choisir pour diverses appli-
cations, comme la vision par ordinateur et le traitement du langage naturel.
La fonction Swish présente plusieurs avantages notables :
— Non-Linéarité Améliorée : Contrairement à ReLU, qui est non-linéaire uniquement pour les va-
leurs positives, Swish est non-linéaire sur tout le domaine. Cette propriété permet aux modèles
d’apprendre des représentations plus complexes et non-linéaires des données.
— Gradient Non-Nul : Swish offre un gradient non-nul pour toutes les valeurs d’entrée, ce qui peut
aider à atténuer les problèmes de gradient nul rencontrés avec ReLU pour les valeurs négatives.
Cela peut faciliter l’entraînement des réseaux profonds en réduisant les risques d’explosion ou de
disparition du gradient.
— Amélioration des Performances : Des recherches ont montré que Swish peut améliorer les per-
formances de certains modèles par rapport à ReLU, en particulier pour des architectures profondes.
Par exemple, la recherche de Ramachandran et al. (2017) a démontré que Swish pouvait surpasser
ReLU sur plusieurs benchmarks de vision par ordinateur.
Cependant, la fonction Swish n’est pas exempte de limitations :
— Complexité Computationnelle : Swish est plus coûteuse à calculer que ReLU en raison de la
fonction sigmoïde impliquée. Cette complexité accrue peut entraîner des temps d’entraînement
plus longs et une utilisation plus importante des ressources computationnelles.
Processus de Détection de Fausses Informations Textuelles 75

— Difficulté de Réglage des Hyperparamètres : Comme pour d’autres fonctions d’activation non
linéaires, l’optimisation des hyperparamètres peut être plus complexe. Il peut être nécessaire de
tester plusieurs configurations pour obtenir les meilleurs résultats.
— Moins de Support dans les Frameworks : Bien que le support pour Swish soit en augmenta-
tion, elle peut ne pas être aussi largement supportée dans tous les frameworks et bibliothèques
d’apprentissage automatique comparé à ReLU ou ses variantes.

2.7.7 Étude comparative

La table 2.3 compare les principales fonctions d’activation selon différents critères :

TABLE 2.3 – Comparaison des fonctions d’activation

Fonction Plage de sortie Centrée sur zéro Saturation Problème de gradient Cas d’utilisation
Sigmoïde (0, 1) Non Oui Oui Classification binaire
Tanh (-1, 1) Oui Oui Oui RNN, modélisation non linéaire
ReLU (0, ∞) Non Non Neurones morts CNN, réseaux profonds
Leaky ReLU (-∞, ∞) Non Non Moins de neurones morts Réseaux profonds
Softmax (0, 1) Non Oui Oui Classification multi-classes
Swish (-∞, ∞) Non Faible Non Architectures complexes

Le choix de la fonction d’activation dépend fortement de la nature du problème à résoudre. Les

fonctions comme Sigmoïde et Softmax sont utiles pour les tâches de classification, tandis que ReLU
et ses variantes sont préférées dans les réseaux profonds en raison de leur capacité à résoudre le pro-
blème du gradient qui disparaît. Des fonctions plus récentes comme Swish montrent des performances
prometteuses, en particulier dans des architectures complexes.

Conclusion
La détection de fausses informations basée sur le texte est un domaine de recherche dynamique et
essentiel pour lutter contre la désinformation en ligne. Ce chapitre a mis en lumière les différentes étapes
du processus, depuis le prétraitement des données textuelles jusqu’à l’application d’algorithmes de clas-
sification sophistiqués. Nous avons discuté des méthodes de représentation textuelle, telles que le sac de
mots et les plongements de mots, qui transforment les données textuelles en formats exploitables par les
machines. Ensuite, nous avons exploré divers algorithmes de classification, y compris les modèles d’ap-
prentissage automatique classiques, les modèles ensemblistes et les modèles d’apprentissage profond.
Chaque méthode présente ses propres avantages et inconvénients, mais l’usage combiné de plusieurs
techniques permet souvent d’améliorer les performances globales du systè[Link] progrès récents dans
le domaine de l’apprentissage profond, notamment avec l’émergence des réseaux de neurones récurrents
et des architectures d’attention hiérarchique, ouvrent des perspectives encourageantes pour perfectionner
Processus de Détection de Fausses Informations Textuelles 76

l’identification des informations trompeuses ou erronées. En conclusion, bien que des défis persistent, les
progrès continus dans ce domaine offrent des perspectives encourageantes pour développer des systèmes
de détection de fausses informations de plus en plus efficaces et robustes.
 77

Chapitre 3

Ensembles de Données, Méthodes

d’Optimisation et Analyse Comparative en
Détection des Fausses Nouvelles

Introduction
Dans le chapitre précédent, intitulé Processus de détection de fausses informations textuelles, nous
avons exploré les différentes étapes du traitement des données textuelles. Nous avons présenté le pré-
traitement des textes, les méthodes de représentation textuelle, ainsi que les algorithmes de classification
utilisés dans les approches d’apprentissage automatique et d’apprentissage profond.
Le présent chapitre poursuit cette analyse en se concentrant sur les ensembles de données, les tech-
niques d’optimisation, et les méthodes d’évaluation utilisées pour mesurer la performance des modèles
de détection. Nous introduirons tout d’abord les principaux ensembles de données utilisés dans cette
étude, ensuite, nous détaillerons les différentes techniques d’optimisation employées. Une analyse com-
parative de ces optimiseurs sera également présentée. Nous passerons ensuite aux métriques d’évaluation
qui jouent un rôle clé dans la validation de la précision des modèles. Enfin, ce chapitre propose une étude
comparative approfondie entre plusieurs architectures de réseaux neuronaux. Une évaluation expérimen-
tale sera réalisée pour analyser leurs performances respectives.

3.1 Ensembles de Données

L’analyse comparative s’appuie sur quatre corpus de données étalons dédiés à l’identification de la
désinformation. Ces corpus englobent divers domaines comme la sphère politique, le secteur de la santé,
le monde des affaires et l’univers technologique. Cette approche vise à minimiser les distorsions dans la
recherche et à permettre des déductions pertinentes. La figure 4.2 présente les nuages de mots de chaque
ensemble de données. De plus, des ensembles de données de détection de fausses nouvelles binaires
et multi-classes sont représentés dans cet ensemble. Nous avons choisi ces ensembles de données en
nous basant sur des recherches antérieures sur la détection de fausses nouvelles, puisque cette étude se
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
78
Nouvelles

concentre sur la détection de fausses nouvelles basée sur le texte. Les principales caractéristiques de
chaque ensemble de données sont présentées dans le tableau 3.2.

3.1.1 Liar Dataset

Ce jeu de données comprend 12,8 K de déclarations courtes étiquetées manuellement provenant
du site de vérification des faits [Link][197]. Chaque déclaration est évaluée par un éditeur de
[Link] [197] pour sa véracité. Le jeu de données possède six étiquettes détaillées : pants-fire
(mensonge flagrant), false (faux), barely-true (à peine vrai), half-true (moitié vrai), mostly-true (prin-
cipalement vrai) et true (vrai). La distribution des étiquettes est relativement bien équilibrée. Pour nos
besoins, les six étiquettes détaillées du jeu de données ont été regroupées en une classification binaire,
c’est-à-dire l’étiquette 1 pour les fausses nouvelles et l’étiquette 0 pour les nouvelles fiables. Ce choix
a été fait en raison de la fonctionnalité binaire du jeu de données Fake News. Le jeu de données est
divisé en trois fichiers : 1) Ensemble d’entraînement : 5770 vraies nouvelles et 4497 fausses nouvelles ;
2) Ensemble de test : 1382 vraies nouvelles et 1169 fausses nouvelles ; 3) Ensemble de validation : 1382
vraies nouvelles et 1169 fausses nouvelles. Les trois sous-ensembles sont bien équilibrés, il n’est donc
pas nécessaire de procéder à un suréchantillonnage ou à un sous-échantillonnage.
Le jeu de données[31] traité a été téléchargé sur Google Drive puis chargé dans Jupyter de Colab
sous forme de DataFrame Pandas. Une nouvelle colonne contenant le nombre de mots pour chaque
article a été ajoutée.L’application de la fonction [Link]() à cette colonne permet d’afficher un résumé
statistique comprenant : le nombre total d’entrées (15389), la moyenne (17,96), l’écart-type (8,57), la
valeur minimale (1), le premier quartile (12), la médiane (17), le troisième quartile (22), et la valeur
maximale (66).Ces statistiques montrent qu’il y a des articles avec un seul mot dans le jeu de données, il
a donc été décidé de supprimer toutes les lignes avec moins de 10 mots car elles sont considérées comme
peu informatives. Le jeu de données résultant contient 1657 lignes de moins que l’original.L’analyse
statistique mise à jour de cette colonne révèle les informations suivantes : un total de 13 732 entrées,
une moyenne de 19,23, un écart-type de 8,19, une valeur minimale de 10, un premier quartile de 14, une
médiane de 18, un troisième quartile de 23, et une valeur maximale de 66. En conclusion, la longueur
moyenne des articles est de 19 mots.

3.1.2 FakeNewsNet
Ce jeu de données a été construit en rassemblant des informations provenant de deux sites de vérifi-
cation des faits pour obtenir du contenu de nouvelles fausses et vraies, comme PolitiFact et GossipCop.
Chez PolitiFact, des journalistes et des experts du domaine examinent les nouvelles politiques et four-
nissent des résultats d’évaluation de vérification des faits pour qualifier les articles de presse comme
étant faux ou vrais. En revanche, chez GossipCop, les histoires de divertissement provenant de divers
médias sont évaluées par un score de notation sur une échelle de 0 à 10, indiquant le degré de fausseté à
véracité. Le jeu de données contient environ 900 nouvelles politiques et 20k nouvelles de potins et n’a
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
79
Nouvelles

que deux étiquettes : vrai et faux. Ce jeu de données est disponible publiquement grâce aux fonctions
fournies par l’équipe de FakeNewsNet et l’API Twitter. Comme mentionné ci-dessus, FakeNewsNet
peut être divisé en deux sous-ensembles : GossipCop et [Link]. Nous avons décidé d’analyser
uniquement les nouvelles politiques car elles produisent des conséquences plus graves dans le monde
réel que les potins. Le jeu de données est bien équilibré et contient 434 vraies nouvelles et 367 fausses
nouvelles. La plupart des nouvelles concernent les États-Unis, comme cela a déjà été noté dans LIAR.
Les sujets des fausses nouvelles concernent Obama, la police, Clinton et Trump, tandis que les sujets
des vraies nouvelles concernent Trump, les Républicains et Obama.À l’instar du jeu de données LIAR,
une colonne supplémentaire a été intégrée. L’utilisation de la commande [Link]() sur cette nouvelle
colonne a généré le résumé statistique suivant :
— Nombre total d’entrées : 801
— Moyenne : 1459,22
— Écart-type : 3141,16
— Valeur minimale : 3
— Premier quartile (25%) : 114
— Médiane (50%) : 351
— Troisième quartile (75%) : 893
— Valeur maximale : 17377
En comparant les deux jeux de données, on constate une différence significative dans la longueur des
articles. Le jeu de données Politifact présente une moyenne de 1459 mots par article, ce qui est considé-
rablement plus élevé que la moyenne de 19 mots par article observée dans le jeu de données LIAR. Ces
statistiques nous ont suggéré de comparer les performances du modèle sur des jeux de données avec des
caractéristiques si différentes.

3.1.3 ISOT Fake News

Le jeu de données ISOT Fake News [93, 36] est un ensemble de données open-source développé pour
aborder le problème des fausses nouvelles et de la désinformation dans le paysage médiatique. Ce jeu de
données est principalement composé de contenu textuel, tel que des articles de presse et des titres, et il
sert de ressource essentielle pour le développement d’algorithmes capables de détecter les informations
trompeuses ou mensongères.

Caractéristiques du jeu de données ISOT Fake News Origine et Authenticité : Le jeu de données
ISOT a été collecté et vérifié à partir de sources fiables en utilisant des plateformes établies d’authen-
tification des fausses nouvelles et des sites de vérification des faits comme [Link]. Il comprend
des nouvelles provenant de divers domaines pour introduire une diversité et capturer la complexité du
contenu en ligne.
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
80
Nouvelles

Structure et Composition :

Étiquetage binaire : Chaque élément du jeu de données est catégorisé de manière binaire, soit
comme "faux", soit comme "vrai". Cette classification dichotomique est particulièrement adaptée pour :
— L’entraînement de modèles d’apprentissage automatique.
— L’évaluation de la performance de ces modèles.

Segmentation du jeu de données : Les données sont réparties en plusieurs ensembles distincts :
— Un ensemble d’entraînement
— Un ensemble de test
— Un ensemble de validation
Cette division tripartite du jeu de données permet :
— Un processus d’apprentissage contrôlé pour les modèles
— Une évaluation précise et fiable de leurs performances
— Une validation robuste des résultats obtenus
Cette structure bien pensée facilite le développement, l’ajustement et la validation de modèles d’appren-
tissage automatique dédiés à la détection de fausses informations.
Utilisation et Applications : Le jeu de données ISOT est utilisé pour développer des algorithmes de
détection des fausses nouvelles basés sur le texte. Il permet aux chercheurs d’analyser les schémas de
diffusion de la désinformation et joue un rôle significatif dans les efforts mondiaux visant à améliorer la
littératie médiatique et à garantir le partage d’informations précises.
Pour garantir la qualité et l’informativité des données, les articles contenant moins de 10 mots ont
été supprimés, car ils sont considérés comme peu informatifs. Les statistiques suivantes ont été calculées
pour le jeu de données traité :
— Nombre d’articles : 13 732
— Nombre moyen de mots par article : 19.23
— Écart-type du nombre de mots : 8.19
— Nombre minimum de mots par article : 10
— Nombre maximum de mots par article : 66
Ces statistiques permettent de mieux comprendre la distribution des longueurs d’articles dans le jeu de
données et d’ajuster les modèles en conséquence.
Importance et Contribution : Le jeu de données ISOT Fake News est un outil crucial pour les cher-
cheurs travaillant sur la détection des fausses nouvelles. En offrant une base bien étiquetée et diversifiée,
il permet le développement et l’évaluation de modèles sophistiqués capables de distinguer les informa-
tions vraies des informations fausses. Cela contribue non seulement à la recherche académique mais
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
81
Nouvelles

aussi à des applications pratiques visant à améliorer la qualité des informations disponibles en ligne et à
lutter contre la propagation de la désinformation.
Ce jeu de données continue de servir de référence pour les nouvelles méthodologies et les techniques
innovantes dans le domaine de la détection des fausses nouvelles, aidant ainsi à protéger la société contre
les impacts négatifs de la désinformation.

3.1.4 COVID dataset

Le jeu de données COVID [198] a été rassemblé dans le but de détecter les fausses nouvelles liées à
la pandémie de COVID-19. Les articles ont été extraits de Twitter et vérifiés par des sites faisant autorité
tels que [Link] et [Link]. Composé de 10 700 entrées rédigées en anglais, le jeu de données
se divise en deux catégories : les vraies nouvelles et les fausses nouvelles.
• Réelles : Tweets provenant de sources vérifiées et donnant des informations utiles sur le COVID-19.
• Fausses : Tweets, publications, articles faisant des affirmations et des spéculations sur le COVID-19,
vérifiés comme étant faux.

(a) Nuage de mots du dataset LIAR (b) Nuage de mots du dataset (c) Nuage de mots du dataset ISOT
COVID

(d) Nuage de mots du dataset

FakeNewsNet

F IGURE 3.1 – Nuages de mots de chaque jeu de données utilisé dans les études

TABLE 3.1 – Caractéristiques principales des ensembles de données de référence utilisés

dans nos études.

Jeu de données Domaine Média Vérification des faits Taille Nombre de classes
Médias Rédacteurs
Liar [31] Politique 12 836 6
traditionnels & journalistes
Politique & Médias Sites de
ISOT [93, 36] 44 866 2
Actualités mondiales traditionnels vérification des faits
Covid-19 & Sites de
Covid [198] Twitter 10 700 2
Santé vérification des faits
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
82
Nouvelles

TABLE 3.2 – Caractéristiques principales des ensembles de données de référence utilisés

dans nos études.

Jeu de données Domaine Média Vérification des faits Taille Nombre de classes
Médias Rédacteurs
Liar [31] Politique 12 836 6
traditionnels & journalistes
Politique & Médias Sites de
ISOT [93, 36] 44 866 2
Actualités mondiales traditionnels vérification des faits
Covid-19 & Sites de
Covid [198] Twitter 10 700 2
Santé vérification des faits
Politique & Twitter Sites de
FakeNewsNet [85] 23 921 2
Divertissement Facebook vérification des faits

Cette section a présenté un aperçu détaillé des différents ensembles de données utilisés dans cette
étude pour la détection des fausses nouvelles. En mettant en lumière leurs caractéristiques spécifiques,
tels que le domaine d’application, les méthodes de vérification des faits et la taille des corpus, nous avons
démontré l’importance d’utiliser des jeux de données variés pour évaluer la robustesse des modèles
de détection. La diversité des domaines couverts, ainsi que les différences en termes de longueur des
articles et de méthodes de vérification des faits, permettent d’illustrer les défis inhérents à la détection
des fausses nouvelles. L’analyse comparative des performances sur ces ensembles de données fournira
des indications précieuses sur l’efficacité des approches basées sur le texte dans des contextes variés.

3.2 Optimiseurs utilisés en détection de fausses nouvelles

Les optimiseurs sont des composants essentiels dans les modèles d’apprentissage automatique, car
ils guident l’ajustement des paramètres du modèle, généralement les poids et biais, pour minimiser une
fonction de perte donnée. Dans le cadre de la détection des fausses nouvelles, qui repose fortement sur
des modèles d’apprentissage automatique et des techniques de traitement du langage naturel (NLP),
le choix d’un optimiseur efficace est essentiel pour améliorer les performances du modèle, la vitesse
d’entraînement et la capacité de généralisation. Plusieurs optimiseurs sont largement utilisés dans les
modèles de détection des fausses nouvelles à la pointe de la technologie, en particulier ceux basés sur
l’apprentissage profond et les réseaux de neurones. Cette section offre un aperçu détaillé des optimiseurs
les plus importants utilisés dans les tâches de détection des fausses nouvelles, en discutant de leurs
mécanismes, avantages et limitations.

3.2.1 Descente de Gradient Stochastique

Le gradient stochastique de descente est l’un des algorithmes d’optimisation les plus essentiels em-
ployés dans le domaine de l’apprentissage automatique. En calculant le gradient de la fonction de perte
par rapport à un petit sous-ensemble (ou lot) de données d’entraînement, elle met à jour les paramètres
du modèle.
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
83
Nouvelles

Mécanisme : La règle de mise à jour des poids θ dans SGD est donnée par :

θ = θ − η∇θ J (θ ) (3.1)

où η est le taux d’apprentissage et J (θ ) est la fonction de perte.

Avantages :
— Efficacité : En utilisant un petit lot de données plutôt que l’ensemble du jeu de données, SGD
accélère le processus d’entraînement, ce qui le rend très adapté aux jeux de données à grande
échelle, tels que ceux utilisés dans la détection des fausses nouvelles.
— Généralisation : Le bruit inhérent aux mises à jour (puisque le gradient est calculé sur un sous-
ensemble aléatoire) aide à empêcher le modèle de surajuster les données d’entraînement.

Inconvénients :
— Convergence lente : SGD peut être lent à converger, surtout pour les modèles avec des données
de grande dimension, ce qui est courant dans les tâches de détection de fausses nouvelles basées
sur du texte.
— Sensibilité au taux d’apprentissage : Le taux d’apprentissage doit être soigneusement ajusté.
Un taux d’apprentissage trop élevé peut entraîner des mises à jour instables, tandis qu’un taux
d’apprentissage trop faible peut ralentir l’entraînement.

Applications en détection de fausses nouvelles : SGD est couramment utilisé dans les réseaux de
neurones simples et les modèles de régression logistique qui effectuent des tâches de classification de
texte. Dans la détection des fausses nouvelles, il sert de technique d’optimisation de base, en particulier
lorsque les ressources de calcul sont limitées ou lorsque des modèles plus simples sont utilisés comme
références.

3.2.2 Adam (Estimation des Moments Adaptatifs)

Adam est l’un des optimiseurs les plus populaires dans le domaine de l’apprentissage profond, y
compris la détection des fausses nouvelles. Il combine les avantages de deux autres optimiseurs : Ada-
Grad et RMSProp, en adaptant le taux d’apprentissage pour chaque paramètre en fonction des moments
des gradients.

Mécanisme : Adam calcule une moyenne exponentiellement décroissante des gradients passés (pre-
mier moment) et du carré des gradients passés (second moment). La règle de mise à jour des paramètres
θ est :
mt
θ = θ −η √ (3.2)
vt + ε
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
84
Nouvelles

où mt est le premier moment (moyenne des gradients), vt est le second moment (variance des gra-
dients), et ε est une petite constante pour éviter la division par zéro.

Avantages :
— Taux d’apprentissage adaptatif : Adam ajuste automatiquement le taux d’apprentissage pour
chaque paramètre, ce qui le rend très efficace pour les modèles complexes et les grands jeux de
données, comme ceux utilisés pour la détection des fausses nouvelles.
— Convergence rapide : Adam converge plus rapidement que SGD classique, en particulier dans les
modèles basés sur du texte où les jeux de données sont volumineux et de grande dimension.
— Robustesse : Adam fonctionne bien avec une large gamme d’architectures de modèles et de jeux
de données sans nécessiter un ajustement important des hyperparamètres.

Inconvénients :
— Utilisation de la mémoire : Adam nécessite de stocker à la fois les estimations du premier et du
second moment pour chaque paramètre, ce qui peut être gourmand en mémoire, en particulier dans
les modèles de grande envergure comme les transformateurs.
— Surapprentissage : Bien qu’Adam converge rapidement, il peut parfois entraîner un surappren-
tissage, surtout lorsque la capacité du modèle est élevée, comme dans les réseaux de neurones
profonds ou les modèles basés sur des transformateurs pour la détection des fausses nouvelles.

Applications en détection de fausses nouvelles : Adam est l’optimiseur de choix pour les modèles
d’apprentissage profond dans la détection des fausses nouvelles. Il est largement utilisé dans les réseaux
de CNN,RNN,LSTM ainsi que les modèles basés sur les transformateurs comme BERT . Ces modèles
reposent sur Adam pour ajuster efficacement les paramètres, ce qui leur permet d’obtenir une précision
élevée dans les tâches de classification de texte, y compris la détection des fausses nouvelles.

3.2.3 RMSProp (Root Mean Square Propagation)

RMSProp est un autre optimiseur conçu pour résoudre les problèmes de la descente de gradient
stochastique, en particulier en ce qui concerne l’ajustement du taux d’apprentissage. Il s’agit d’une mé-
thode de taux d’apprentissage adaptatif qui divise le taux d’apprentissage par une moyenne mobile des
gradients carrés.

Mécanisme : La règle de mise à jour de RMSProp est :

η
θ =θ−p ∇θ J (θ ) (3.3)
E [g2 ]t + ε

où E [g2 ]t est la moyenne pondérée exponentiellement des gradients carrés passés.

Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
85
Nouvelles

Avantages :
— Convergence stable : En ajustant le taux d’apprentissage en fonction de la magnitude récente des
gradients, RMSProp évite les oscillations importantes qui peuvent survenir dans SGD, assurant
une convergence plus stable.
— Adapté aux problèmes non stationnaires : RMSProp est particulièrement efficace dans les cas
où le paysage de la perte change avec le temps, ce qui est souvent le cas dans les tâches de NLP
lorsque le modèle apprend à différencier les articles de fausses nouvelles des véritables.

Inconvénients :
— Nécessité de réglage : Bien que RMSProp ajuste le taux d’apprentissage, il nécessite tout de
même un certain ajustement, notamment en ce qui concerne son facteur de décroissance et son
taux d’apprentissage.

Applications en détection de fausses nouvelles : RMSProp est utilisé dans les modèles où les mises
à jour des gradients doivent être stabilisées, comme dans les RNNs et les LSTMs. Ces modèles traitent
les séquences de texte pour la détection des fausses nouvelles et nécessitent un équilibre entre un ap-
prentissage efficace et la prévention des gradients explosifs ou disparus. RMSProp aide à garantir un
entraînement stable dans de tels contextes.

3.2.4 AdaGrad (Adaptive Gradient Algorithm)

AdaGrad ajuste le taux d’apprentissage pour chaque paramètre en fonction de l’historique des gra-
dients. Les paramètres qui reçoivent des mises à jour fréquentes verront leur taux d’apprentissage réduit,
tandis que les paramètres mis à jour de manière moins fréquente auront un taux d’apprentissage plus
élevé.

Mécanisme : La règle de mise à jour d’AdaGrad est :

η
θ =θ−√ ∇θ J (θ ) (3.4)
Gt + ε

où Gt est la somme des carrés des gradients pour le paramètre θ jusqu’à l’instant t.

Avantages :
— Apprentissage adaptatif : AdaGrad permet à chaque paramètre d’avoir son propre taux d’appren-
tissage, ce qui le rend adapté aux données rares,comme cela se produit fréquemment dans les jeux
de données textuels.
— Bon pour les gradients rares : Dans la détection des fausses nouvelles, certains mots ou mo-
dèles peuvent être rares mais cruciaux pour la détection. La capacité d’AdaGrad à accorder plus
d’attention aux caractéristiques moins fréquentes le rend adapté à ces tâches.
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
86
Nouvelles

Inconvénients :
— Décroissance agressive du taux d’apprentissage : L’une des limites majeur d’AdaGrad réside
dans sa tendance à réduire rapidement et fortement le taux d’apprentissage au cours du temps.
Cette diminution trop rapide risque d’interrompre le processus d’apprentissage du modèle avant
qu’il n’ait atteint son plein potentiel.

Applications en détection de fausses nouvelles : AdaGrad est souvent utilisé dans les modèles basés
sur le texte traitant des représentations de mots ou des caractéristiques rares. Il peut ne pas être aussi
populaire qu’Adam pour les modèles à grande échelle, mais il est précieux dans les situations où la
rareté des données est significative.

3.2.5 Analyse comparative

Dans les tâches de détection des fausses nouvelles, le choix de l’optimiseur peut avoir un impact si-
gnificatif à la fois sur les performances du modèle et sur l’efficacité de l’entraînement. Adam se distingue
comme l’optimiseur le plus largement utilisé, en particulier pour les modèles basés sur l’apprentissage
profond, tels que les CNN, RNN et les modèles basés sur des transformateurs comme BERT. Son taux
d’apprentissage adaptatif et sa convergence rapide le rendent adapté au traitement de la complexité et
de l’ampleur des jeux de données liés à la détection des fausses nouvelles. Cependant, des modèles plus
simples ou des cas où l’efficacité mémoire est une préoccupation peuvent encore bénéficier de l’utilisa-
tion de SGD ou RMSProp. Les modèles traitant des caractéristiques rares, souvent rencontrés dans les
jeux de données textuels, peuvent voir leurs performances améliorées avec AdaGrad.
Chaque optimiseur a ses points forts et ses compromis, et le choix final dépend souvent des caractéris-
tiques spécifiques de la tâche de détection des fausses nouvelles. Par exemple, la robustesse et l’efficacité
d’Adam en font un choix idéal pour traiter des données volumineuses et de grande dimension, tandis que
RMSProp offre plus de stabilité dans les modèles basés sur des séquences comme les LSTM, qui sont
courants dans les tâches de NLP. Dans les futures recherches, des techniques d’optimisation hybrides ou
de nouveaux optimiseurs pourraient émerger, améliorant encore la capacité des modèles à détecter les
fausses nouvelles avec une plus grande précision et efficacité.

3.3 Métriques d’évaluation

Dans cette section, nous abordons les principales métriques d’évaluation utilisées pour juger les per-
formances des modèles de détection des fausses nouvelles. La détection de fausses nouvelles repose
généralement sur des modèles de classification qui visent à distinguer les articles de presse réels des
articles trompeurs. Pour évaluer la qualité des prédictions effectuées par ces modèles, différentes me-
sures standard sont utilisées, comme l’exactitude, la précision, le rappel et le score F1. En outre, des
outils visuels comme la Matrice de Confusion et la courbe ROC sont utilisés pour mieux comprendre
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
87
Nouvelles

la performance des modèles et leur capacité à gérer les jeux de données déséquilibrés. Nous allons ex-
plorer en détail ces métriques afin de mettre en lumière leur rôle dans l’analyse des modèles de détection.

La plupart des approches de détection des fausses nouvelles construisent un modèle de classification
pour prédire si un article de presse appartient à la classe réelle ou à la classe fausse.
Matrice de Confusion est une matrice carrée qui regroupe toutes les classes en directions horizontale
et verticale. . La liste des classes en haut représente les sorties prédites, et la liste sur le côté gauche
représente les cibles. Les éléments de la matrice en position (i, j) indiquent combien de points de données
avec l’étiquette de classe Ci sont mal classés en classe C j .
Exactitude est définie par la formule suivante :

#T P + #T N
Exactitude = (3.5)
#T P + #T N + #FP + #FN

où T P, T N, FP et FN désignent respectivement les Vrais Positifs, Vrais Négatifs, Faux Positifs et

Faux Négatifs. L’exactitude mesure la proportion des prédictions justes par rapport à l’ensemble des
échantillons analysés.
Précision La Précision est définie par la formule suivante :

#T P
Précision = (3.6)
#T P + #FP

Elle représente le ratio de toutes les fausses nouvelles identifiées par rapport à celles annotées comme
fausses nouvelles.
Rappel Le Rappel est défini par la formule suivante :

#T P
Rappel = (3.7)
#T P + #FN

Il représente le ratio des fausses nouvelles par rapport aux résultats prédits.
Score F1 Le Score F1 est défini par la formule suivante :

2 · Précision · Rappel
Score F1 = (3.8)
Précision + Rappel

Il donne la performance globale de la prédiction.

Spécificité La Spécificité, également appelée Taux de Vrais Négatifs, est définie par la formule sui-
vante :
#T N
Spécificité = (3.9)
#T N + #FP
Elle est liée à la capacité du classificateur à identifier les résultats négatifs.
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
88
Nouvelles

Courbe ROC La courbe ROC compare les performances des classificateurs en observant le compro-
mis entre le Taux de Faux Positifs et le Taux de Vrais Positifs , où

#T P #FP
TPR = et FPR = (3.10)
#T P + #FN #FP + #T N

À partir de la courbe ROC, la Surface Sous la Courbe (AUC) montre la performance globale du
classificateur.

(n0 + n1 + 1 − ri ) − n0 (n0 + 1)/2

AUC = (3.11)
n0 n1
où ri est le rang du ime article de fausse nouvelle et n0 (n1 ) est le nombre de fausses (vraies) nouvelles.
Le score AUC est plus cohérent et discriminant que l’exactitude et est principalement utilisé pour traiter
les problèmes de classification déséquilibrés. Il est intéressant de noter que la plupart des ensembles de
données utilisés pour la détection des fausses nouvelles sont connus pour leur distribution déséquilibrée.
Le tableau 3.3 résume les expériences récentes sur la détection des fausses nouvelles.

TABLE 3.3 – Expériences récentes sur la détection des fausses nouvelles

Étude Modèle d’apprentissage profond Ensemble de données Exactitude précision

rappel score F1
Agarwal et al. [84] CNN+LSTM Kaggle fausses nouvelles Précision 97,26%
Huang et al. [199] Méthode d’ensemble Satire Exactitude 99,4%
Kaliyar et al. [85] CNN profond Kaggle fausses nouvelles Exactitude 98,36%
Fang et al. [200] CNN MIT fausses nouvelles Rappel 95,6%
Dong et al. [201] CNN à deux chemins PHEME Rappel macro 77,58%
Khattar et al. [202] Autoencodeur variationnel Weibo & MediaEval Exactitude 82,4%
Li et al. [185] CNN Twitter15 & Weibo Exactitude moyenne 91,67%
Li et al. [185] CNN LIAR & KaggleFN Exactitude moyenne 92,08%
Guo et al. [203] GRU Weibo Exactitude 87,2%
Wu et al. [204] Auto-attention contrôlée RumorEval F1 82,19%
Zhou et al. [205] CNN multimodal PolitiFact Exactitude 87,4%
Schwarz et al. [206] Transformateur encodeur Twitter Exactitude 94,08%

L’évaluation des modèles de détection des fausses nouvelles repose sur un ensemble varié de mé-
triques qui permettent de juger de leur efficacité et de leur précision. Des indicateurs comme l’Exactitude,
la Précision, le Rappel et le Score F1 fournissent une évaluation globale des performances des modèles
dans différents contextes. De plus, la courbe ROC et le score AUC permettent de mieux comprendre
les compromis entre les Faux Positifs et les Vrais Positifs, particulièrement utiles dans les scénarios de
classification déséquilibrée. Enfin, les résultats des expériences récentes sur différents modèles, comme
illustré dans le tableau 3.3, montrent l’évolution continue des techniques d’apprentissage profond dans
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
89
Nouvelles

la détection des fausses nouvelles, offrant des perspectives intéressantes pour les futures recherches dans
ce domaine.

3.4 Études Comparatives entre CNN, LSTM,BI-LSTM,HAN, les

HAN convolutifs, ainsi que le classificateur Naive Bayes
La plupart des travaux antérieurs sur la détection des fausses nouvelles ont appliqué plusieurs mé-
thodes traditionnelles d’apprentissage automatique et de réseaux de neurones pour détecter les fausses
informations. Cependant, ces travaux se sont concentrés sur la détection d’informations de types particu-
liers, comme les politiques, et ont développé leurs modèles pour des ensembles de données spécifiques.
Il est probable que ces approches souffrent de biais dans les ensembles de données et qu’elles performent
mal sur des nouvelles d’un autre sujet. De plus, une limitation majeure des études comparatives précé-
dentes est qu’elles sont menées sur un type spécifique d’ensemble de données, ce qui rend difficile de
tirer une conclusion sur la performance des divers modèles. En outre, ces articles se sont souvent concen-
trés sur un nombre limité de caractéristiques, entraînant une exploration incomplète des caractéristiques
potentielles des fausses nouvelles.
Nous avons constaté que la plupart des travaux connexes se concentrent sur l’amélioration de la qua-
lité de la prédiction en ajoutant des fonctionnalités supplémentaires. Le problème est que ces fonction-
nalités ne sont pas toujours disponibles ; par exemple, certains articles peuvent ne pas contenir d’images.
De plus, l’utilisation d’informations provenant des réseaux sociaux pose problème car il est facile de
créer un nouveau compte et de tromper le système de détection. D’où notre décision de se focaliser
exclusivement sur le corps de l’article et de voir s’il est possible de détecter avec précision les fausses
nouvelles en utilisant uniquement le contenu textuel. Comme cela a été montré dans les sections pré-
cédentes, plusieurs approches peuvent être utilisées pour extraire des caractéristiques textuelles et les
utiliser dans des modèles. Cela met l’accent sur la fonctionnalité du contenu textuel des nouvelles.

3.4.1 Vue d’ensemble de l’approche

Notre approche initiale pour la détection des fausses nouvelles, comme illustré à la Figure 3.2, com-
mence par une phase essentielle de prétraitement des données. Cette étape implique la suppression des
caractères et mots inutiles, ainsi que la normalisation des données textuelles pour garantir une meilleure
qualité et cohérence des informations traitées. Une fois les données nettoyées, nous procédons à l’ex-
traction des entités N-gram, qui sont des séquences continues de n éléments (souvent des mots) extraites
du texte. Ces entités N-gram permettent de capturer les motifs de langage qui peuvent être significatifs
pour la classification des documents.
Nous formons ensuite une matrice d’entités, représentant les documents par des vecteurs de caracté-
ristiques dérivées des N-grams. Cette matrice constitue la base sur laquelle les modèles de classification
vont opérer. La phase suivante du processus est l’entraînement du classificateur. Nous avons évalué
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
90
Nouvelles

plusieurs algorithmes de classification pour prédire la classe des documents, incluant six algorithmes
d’apprentissage profond :CNN, LSTM,BI-LSTM,HAN, les HAN convolutifs, ainsi que le classificateur
Naive Bayes.
Pour la mise en œuvre, nous avons utilisé des bibliothèques Python, en particulier le Natural Lan-
guage Toolkit, pour intégrer ces classificateurs dans notre pipeline. Afin d’évaluer correctement la per-
formance de chaque modèle, nous avons divisé notre jeu de données en ensembles d’entraînement et de
test. En pratique, environ 80% des données ont été utilisées pour l’entraînement des modèles, tandis que
les 20% restants ont été réservés pour les tests lors de chaque cycle de validation. Cette approche permet
d’assurer que les modèles sont évalués de manière rigoureuse et que leurs performances sont mesurées
de façon fiable sur des données non vues pendant l’entraînement.

F IGURE 3.2 – Organigramme du processus proposé de détection des fausses nouvelles [7]

3.4.2 Évaluation Expérimentale

Informations Statistiques sur les Ensembles de Données

Les modèles ont été testés sur quatre ensembles de données différents : (i) Data an Open Sources, un
ensemble de données contenant 9 408 908 articles dont 11 161 articles de catégories fausses et fiables
ont été sélectionnés. (ii) L’ensemble de données Fake or Real News est développé par George McIntire.
La partie fausse de cet ensemble de données a été collectée à partir de l’ensemble de données de fausses
nouvelles de Kaggle, incluant les nouvelles du cycle électoral de 2016 aux États-Unis. (iii) Liar est un
ensemble de données accessible au public [31]. Il comprend 12,8K de courtes déclarations humaines
provenant de l’API [Link]. Il comprend six étiquettes de véracité : pants-fire, false, hardly
true, half true, almost true, et true. Dans notre travail, nous essayons de différencier les vraies nouvelles
de tous les types de canulars, propagandes, satires et informations trompeuses. Par conséquent, nous
nous concentrons principalement sur la classification des informations comme réelles et fausses. (iv)
L’ensemble de données True / Fake est un ensemble de données accessible au public. La partie fausse
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
91
Nouvelles

contient 17 903 nouvelles réparties entre 5 étiquettes : news politics, government news, leftnews usnews
et middle east. La partie vraie contient 20 826 nouvelles de deux étiquettes : news politics et worldnews.
Ces données sont extraites des nouvelles entre le 13 janvier 2016 et le 31 décembre 2018.

Caractéristiques

Pour construire un modèle d’apprentissage profond, la sélection des caractéristiques est d’une impor-
tance capitale pour des performances optimales du système. Les caractéristiques utilisées dans le modèle
proposé sont les suivantes :

Intégration de mots pré-entraînés L’intégration de mots est une méthode pour représenter les mots
et les documents en utilisant des vecteurs denses. Contrairement aux approches traditionnelles de codage
telles que le sac de mots, qui utilisaient de grands vecteurs épars pour représenter chaque mot ou chaque
mot dans un vecteur pour couvrir l’ensemble du vocabulaire, les représentations vectorielles denses sont
plus compactes. Dans ces schémas traditionnels, les vecteurs étaient principalement constitués de zéros
en raison de la taille importante du vocabulaire, ce qui rendait la représentation moins efficace.
Avec l’intégration de mots, chaque mot est représenté par un vecteur dense, ce qui correspond à une
projection du mot dans un espace vectoriel continu. La position d’un mot dans cet espace est déterminée
par le contexte dans lequel il apparaît, c’est-à-dire les mots qui l’entourent. Cette position, obtenue par
apprentissage à partir du texte, est ce que l’on appelle l’intégration du mot. Deux exemples de méthodes
pour apprendre à intégrer des mots à partir de textes : Word2Vec et GloVe. En plus de ces méthodes soi-
gneusement conçues, l’intégration de mots peut être apprise dans le cadre d’un modèle d’apprentissage
profond. Cela peut être une approche plus lente, mais elle permet d’adapter le modèle à un ensemble de
données d’entraînement spécifique.
— GloVe : GloVe est un algorithme d’apprentissage non supervisé qui permet de découvrir la proxi-
mité de deux mots, avec leur séparation dans l’espace vectoriel. Ces représentations vectorielles
créées sont appelées vecteurs d’intégration de mots. Dans GloVe, l’entraînement est effectué sur
les statistiques de co-occurrence globale des mots à partir d’un corpus. Dans le cas de GloVe, la
matrice de comptage est prétraitée en normalisant les comptes et en les lissant via un logarithme.
GloVe permet une implémentation parallèle, ce qui facilite l’entraînement sur davantage de don-
nées.
— Word2Vec : Word2Vec est disponible en deux modes : sac de mots continu (CBOW) et skip-gram.
Il a été initialement conçu pour prédire un mot dans un contexte. Par exemple, étant donné deux
mots précédents et les deux mots suivants, quel mot est le plus susceptible de se produire entre eux.
Mais il semble que la représentation cachée de ces mots fonctionne bien comme intégration de
mots et possède des propriétés très intéressantes telles que les mots avec un sens similaire ont une
représentation vectorielle similaire. Il est également possible d’effectuer des calculs arithmétiques
qui capturent des informations telles que le singulier, le pluriel ou même les capitales et les pays.
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
92
Nouvelles

Caractéristiques de Comptage des n-grammes Ces caractéristiques sont utilisées pour compter les
occurrences de n-grammes dans le titre et le corps des nouvelles, et divers ratios du n-gram unique et du
nombre total de mots donné par l’Éq. (1).

total ngram unique

ratio de ngram unique = (3.12)
total ngram

Sac de Mots La technique du sac de mots (BoW) traite chaque article de presse comme un docu-
ment et calcule le nombre de fréquences de chaque mot dans ce document, qui est ensuite utilisé pour
créer une représentation numérique des données, également connue sous le nom de caractéristiques vec-
torielles de longueur fixe. Le sac de mots convertit le texte brut en vecteur de comptage des mots avec
la fonction CountVectorizer pour l’extraction des caractéristiques. CountVectorizer divise le contenu du
texte, construit le vocabulaire et encode le texte en un vecteur. Ce vecteur encodé aura un comptage des
occurrences de chaque mot qui ressemble davantage à un comptage de fréquence sous forme de paire
clé/valeur. Cette méthodologie présente des inconvénients en termes de perte d’information. La position
relative des mots est ignorée et l’information contextuelle est perdue.

Tf-Idf est une méthode de représentation des caractéristiques statistiques en traitement du langage
naturel pour évaluer et pondérer les mots afin d’identifier les mots pertinents et importants dans un do-
cument. Cette méthode a été utilisée dans de nombreux problèmes de classification de texte, notamment
pour la détection des fausses nouvelles- La formule pour déterminer la Fréquence Terme est la suivante :

nombre de f ois que le terme apparat dans un document

TF = (3.13)
nombre total de mots dans le document

nombre de documents dans le corpus

IDF = log( ) (3.14)
nombre de documents dans le corpus contenant le terme
Le TF-IDF d’un terme est calculé en multipliant les scores TF et IDF.

T F − IDF = TF × IDF (3.15)

3.4.3 Extraction des Caractéristiques et Implémentation du Modèle

Prétraitement

Les données textuelles nécessitent un prétraitement spécial pour les implémenter dans des algo-
rithmes d’apprentissage automatique ou d’apprentissage profond. Il existe diverses techniques large-
ment utilisées pour convertir les données textuelles en une forme prête pour la modélisation. Les étapes
de prétraitement des données que nous décrivons ci-dessous sont appliquées au contenu des nouvelles.
Les différentes représentations de vecteurs de mots que nous avons employées dans le cadre de notre
analyse sont également données.
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
93
Nouvelles

— Nuage de mots : Avant de commencer le prétraitement, nous visualisons nos données à partir du
nuage de mots des mots-clés les plus utilisés dans nos données.
— Suppression de la Ponctuation : La ponctuation dans le langage naturel fournit le contexte
grammatical de la phrase. Les signes de ponctuation tels qu’une virgule peuvent ne pas ajouter
beaucoup de valeur à la compréhension du sens de la phrase.
— Suppression des mots vides : Nous commençons par supprimer les mots vides des données
textuelles disponibles. Les mots vides sont des mots insignifiants dans une langue qui créeront du
bruit lorsqu’ils seront utilisés comme caractéristiques dans la classification de texte. Les mots les
plus courants dans une langue qui ne fournissent pas beaucoup de contexte peuvent être traités et
filtrés du texte car ils sont plus courants et contiennent moins d’informations utiles. Nous avons
utilisé la bibliothèque Natural Language Toolkit (NLTK) pour supprimer les mots vides.
— Racination : La racination est une technique de suppression des préfixes et des suffixes d’un mot,
se terminant par la racine. En utilisant la racine, nous pouvons réduire les formes fléchies et parfois
les formes dérivées d’un mot à une forme de base commune.

Extraction des Caractéristiques

La performance des modèles d’apprentissage profond dépend en grande partie de la conception des
caractéristiques.
— Extraction des caractéristiques n-grammes : Le n-gram basé sur les mots a été utilisé pour re-
présenter le contexte du document et générer des fonctionnalités pour classer le document comme
faux et réel. De nombreux travaux existants ont utilisé les approches unigramme (n = 1) et bi-
gramme (n = 2) pour la détection des fausses nouvelles [207]. Nous avons utilisé la fonction
TfidfVectorizer de la bibliothèque sklearn d’extraction de caractéristiques en Python pour générer
des fonctionnalités TF-IDF n-grammes.
— Intégration de Mots Pré-entraînée : Pour les modèles de réseaux de neurones, les intégrations de
mots ont été initialisées avec des intégrations pré-entraînées de GloVe en 100 dimensions [114].
Leur entraînement s’est déroulé sur un ensemble de données comprenant un milliard de tokens
(mots) et un vocabulaire de 400 000 mots. Dans cette architecture LSTM avec gensim, nous avons
utilisé Word2Vec de Google pour représenter les mots dans des intégrations d’espace vectoriel de
100 dimensions.
— Sac de Mots (BoW) : La technique du sac de mots traite chaque article de presse comme un
document et calcule le nombre de fréquences de chaque mot dans ce document, qui est ensuite
utilisé pour créer une représentation numérique des données, également connue sous le nom de
caractéristiques vectorielles de longueur fixe. Le sac de mots convertit le texte brut en vecteur de
comptage des mots avec la fonction CountVectorizer pour l’extraction des caractéristiques. Count-
Vectorizer divise le contenu du texte, construit le vocabulaire, et encode le texte en un vecteur. Ce
vecteur encodé aura un comptage des occurrences de chaque mot qui ressemble davantage à un
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
94
Nouvelles

comptage de fréquence sous forme de paire clé/valeur. Cette méthodologie présente des inconvé-
nients en termes de perte d’information. La position relative des mots est ignorée et l’information
contextuelle est perdue.

Implémentation des Approches

Dans cette section, nous décrivons la configuration expérimentale des différents modèles basés sur les
réseaux de neurones et l’apprentissage profond utilisés dans notre expérience. Nous fournissons égale-
ment des détails sur l’implémentation de nos nouvelles approches explorées dans la détection des fausses
nouvelles.

CNN Le modèle de Réseaux de Neurones Convolutifs a été initialisé comme une séquence de couches.
Nous utiliserons une structure de réseau entièrement connecté avec trois couches. Les couches entière-
ment connectées sont définies en utilisant la classe Dense. Le premier argument peut être le nombre de
neurones ou de nœuds présents dans la couche, tandis que l’argument activation permet de spécifier la
fonction d’activation. Les deux premières couches seront utilisées avec la fonction d’activation ReLU
(rectified linear unit) et la couche de sortie sera utilisée avec la fonction sigmoïde. Nous employons une
sigmoïde sur la couche de sortie afin de garantir que notre sortie de réseau est comprise entre 0 et 1 et
facilement compatible avec une probabilité de classe 1 ou une classification complexe de chaque classe,
avec un seuil par défaut de 0,5. L’optimiseur ADAM a été utilisé pour compiler le modèle, avec un taux
d’apprentissage de 0,001, afin de réduire au minimum la perte d’entropie croisée binaire. Finalement, ce
modèle a été développé à travers trois époques.

LSTM LSTM + gensim Nous utilisons la bibliothèque gensim en Python qui prend en charge une
multitude de classes pour les applications de traitement du langage naturel. Comme discuté, nous uti-
lisons un modèle CBOW avec un échantillonnage négatif et des vecteurs de mots de 100 dimensions.
L’optimiseur ADAM avec un taux d’apprentissage de 0,001 a été appliqué pour minimiser la perte d’en-
tropie croisée binaire et la sigmoïde était la fonction d’activation pour la couche de sortie finale. Enfin,
ce modèle a été entraîné sur 3 époques avec des lots de 64 et 512.
LSTM + glove Le modèle LSTM a été pré-entraîné avec des intégrations GloVe en 100 dimensions.
La dimension de sortie et les pas de temps ont été réglés à 300. L’optimiseur ADAM avec un taux
d’apprentissage de 0,001 a été appliqué pour minimiser la perte d’entropie croisée binaire et la sigmoïde
était la fonction d’activation pour la couche de sortie finale. Enfin, ce modèle a été entraîné sur 3 époques
avec des lots de 64 et 512.

Bi-LSTM Le but du modèle Bi-LSTM est de détecter les anomalies dans une certaine partie des nou-
velles, nous devons l’examiner avec les événements d’action précédents et suivants. Bi-LSTM a été
initialisé avec des intégrations GloVe pré-entraînées de 100 dimensions. Une dimension de sortie de 100
et des pas de temps de 300 ont été appliqués. L’optimiseur ADAM avec un taux d’apprentissage de 0,001
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
95
Nouvelles

a été utilisé pour minimiser la perte d’entropie croisée binaire. La taille du lot d’apprentissage a été fixée
à 128 et une perte à chaque époque a été observée avec le rappel.

HAN Le réseau d’attention hiérarchique consistait en deux mécanismes d’attention pour le codage au
niveau des mots et des phrases. Avant l’entraînement, nous avons fixé le nombre maximum de phrases
dans un article de presse à 20 et le nombre maximum de mots dans une phrase à 100. Dans les deux
niveaux de codage, un GRU bidirectionnel avec une dimension de sortie de 100 a été introduit dans
notre couche d’attention personnalisée. Nous avons utilisé un encodeur de mots comme entrée de notre
couche temporelle d’encodeur de phrases distribuée. Nous avons optimisé notre modèle avec ADAM qui
a appris à un taux de 0,001. Nous avons utilisé la bibliothèque Keras avec le backend Tensorflow pour
implémenter le mécanisme d’attention.

HAN Convolutionnel Afin d’extraire des caractéristiques d’entrée de haut niveau, nous avons incor-
poré une couche convolutive unidimensionnelle avant chaque couche GRU bidirectionnelle dans HAN.
Cette couche a sélectionné les caractéristiques de chaque trigramme de l’article de presse avant de les
passer à la couche d’attention.

Naive Bayes Nous avons également exploré des modèles traditionnels d’apprentissage automatique
utilisant des techniques de traitement du langage naturel. Nous supprimons les suffixes des mots en les
dérivant avec le Snowball Stemmer de la bibliothèque NLTK. Le CountVectorizer de Scikit-Learn four-
nit un moyen simple de tokeniser une collection de documents texte et de créer un vocabulaire de mots
connus, ainsi que d’encoder de nouveaux documents en utilisant ce vocabulaire. Ainsi, dans le Count-
Vectorizer, nous utilisons le comptage des mots, dans TFIDF. Nous avons utilisé le classificateur mul-
tinomial, Naive Bayes, comme modèle suivant. Nous y avons introduit les caractéristiques n-grammes.
Nous avons utilisé la fonction de bibliothèque Python nommée MultinomialNB pour cela.

3.4.4 Résultat
Dans cette section, nous décrivons une analyse des performances de nos modèles basés sur les ré-
seaux de neurones et l’apprentissage profond. Nous présentons les meilleures performances pour chaque
ensemble de données. Nous calculons l’exactitude, la précision, le rappel et le score F1 pour les classes
fausses et réelles, et trouvons leur moyenne, média pondéré (le nombre d’instances vraies pour chaque
classe) et rapportons un score moyen de ces métriques.

Métriques d’Évaluation

Nous utilisons l’exactitude, la précision, le rappel et le score F1 comme métriques d’évaluation (tp,
fp, fn dans les
équations suivantes sont respectivement les vrais positifs, faux positifs et faux négatifs). La préci-
sion est une mesure calculée comme le ratio des prédictions correctes au nombre total d’exemples. La
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
96
Nouvelles

précision mesure le pourcentage de prédictions positives qui sont correctes et est définie comme suit :

tp
Precision = (3.16)
tp+ f p

Le rappel consiste à mesurer le pourcentage de prédictions correctes que le classificateur capture et est
défini comme suit :
tp
Rappel = (3.17)
tp+ fn
Le score F1 permet de trouver l’équilibre entre le rappel et la précision et est calculé comme suit :

Précision × Rappel
ScoreF1 = (3.18)
Précision + Rappel

TABLE 3.4 – Résultats des modèles sur différents ensembles de données

Vrai / Faux Entraînement / Test Données d’actualités Fausses ou vraies nouvelles
Modèles
Préc Précision Rappel Score F1 Préc Précision Rappel Score F1 Préc Précision Rappel Score F1 Préc Précision Rappel Score F1
word2vec
LSTM .98 .98 .98 .98 .56 .78 .50 .36 .96 .96 .96 .96 .86 .86 .86 .86
(Gensim)
Glove
LSTM .98 .98 .98 .98 .54 .27 .50 .35 .75 .75 .75 .75 .74 .75 .74 .74
Embedding
Glove
BiLSTM .78 .50 .78 .89 .61 .61 .59 .59 .84 .84 .84 .84 .84 .84 .84 .84
Embedding
Glove
HAN .59 .59 .59 .59 .57 .57 .57 .57 .94 .94 .94 .94 .86 .86 .86 .86
Embedding
Glove
Conv-HAN .56 .56 .56 .56 .59 .59 .59 .59 .83 .83 .83 .83 .80 .82 .80 .80
Embedding
TF-idf
CNN .90 .90 .90 .90 .97 .97 .97 .97 .77 .83 .78 .76 .79 .84 .80 .79
Countvectorizer
TF-idf
Naive Bayes .97 .97 .97 .97 .83 .87 .84 .83 .97 .97 .97 .97 .90 .90 .90 .90
Countvectorizer

Résultats et discussion

Comme indiqué dans le Tableau 1, le modèle basé sur le mécanisme d’attention est le plus vulnérable
au surapprentissage sur les ensembles de données True / Fake et Liar. Bien que BI-LSTM soit également
victime de surapprentissage sur tous les ensembles de données, il montre ses meilleures performances
sur l’ensemble de données True / Fake. Les modèles utilisés avec succès pour la classification de texte
comme LSTM, Bi-LSTM, HAN, Conv-HAN peinent à surmonter le problème de surapprentissage pour
l’ensemble de données Liar. Les modèles CNN et Naive Bayes montrent les meilleures performances
parmi les modèles avec une précision de 80%. Le modèle NB atteint plus de 90% de précision et un
score F1 supérieur à 0.97. Ce résultat indique que bien que les modèles basés sur les réseaux de neu-
rones puissent souffrir de surapprentissage pour un petit ensemble de données (LIAR).
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
97
Nouvelles

F IGURE 3.3 – Matrice de confusion pour chaque ensemble de données du modèle CNN

Le modèle Naive Bayes (avec n-gram) a montré les meilleures performances parmi les modèles tradi-
tionnels d’apprentissage automatique, tandis que CNN, BiLSTM et Conv-HAN sont les plus prometteurs
parmi les modèles basés sur les réseaux de neurones (tableau). Nous pouvons voir que les caractéristiques
n-gram sont très prometteuses dans la détection de spam [208]. Par conséquent, la performance excep-
tionnelle des caractéristiques n-gram dans la détection des fausses nouvelles n’est pas surprenante. Nous
constatons que les performances du modèle Naive Bayes (avec n-gram) sont presque équivalentes aux
performances de ces modèles basés sur les réseaux de neurones. Par conséquent, Naive Bayes avec n-
gram est notre modèle recommandé ajoutant la caractéristique NLP. Le modèle CNN unidimensionnel
maintient des performances modérées sur tous les ensembles de données. Par conséquent, les modèles
basés sur les réseaux de neurones peuvent montrer de hautes performances sur un plus grand ensemble de
données, mais dans d’autres ensembles de données, ces modèles seront vulnérables au surapprentissage
même si leurs performances sont élevées. D’autre part, le modèle hybride proposé [207] Conv-HAN
montre de hautes performances sur seulement 2 ensembles de données, contrairement à ce qui est men-
tionné dans [207]. Naive Bayes est un bon choix qui mérite une exploration future avec un ensemble de
données plus large.
Ensembles de Données, Méthodes d’Optimisation et Analyse Comparative en Détection des Fausses
98
Nouvelles

Conclusion
Ce chapitre a présenté une analyse détaillée des ensembles de données, des techniques d’optimi-
sation et des métriques d’évaluation utilisées dans le cadre de la détection des fausses nouvelles, ainsi
qu’une étude comparative approfondie des différentes architectures de modèles de classification. Nous
avons identifier les techniques et les modèles les plus efficaces pour la détection des fausses nouvelles.
Ce chapitre prépare le terrain pour une analyse plus approfondie des performances des modèles dans
des contextes d’application réels, tout en soulignant l’importance d’une optimisation adaptée et d’une
évaluation rigoureuse.
 99

Chapitre 4

Détection des Fausses Nouvelles Textuelles :

Contributions Basées sur le Deep Learning et
le Traitement du Langage Naturel

Introduction
Dans les chapitres précédents, nous avons exploré les concepts fondamentaux de la détection des
fausses nouvelles, en nous concentrant sur les différentes approches textuelles et les processus d’appren-
tissage automatique. Nous avons également présenté les ensembles de données et les métriques d’éva-
luation qui jouent un rôle clé dans la validation des performances des modèles. À présent, nous nous
tournons vers une contribution originale à ce domaine en nous appuyant sur les modèles d’apprentissage
profond pour améliorer la détection des fausses nouvelles.
Ce chapitre se concentre sur la proposition et l’évaluation de différentes approches basées sur l’intel-
ligence artificielle pour résoudre le problème de la désinformation. Tout d’abord, nous offrons un aperçu
des techniques d’apprentissage profond utilisées pour détecter les fausses nouvelles, en analysant leur
efficacité dans divers contextes expérimentaux. Cette section couvre les informations statistiques sur les
ensembles de données et les caractéristiques textuelles étudiées, ainsi que les modèles implémentés et
leur processus d’évaluation. Ensuite, nous présenterons une amélioration spécifique de la détection des
fausses nouvelles en combinant des modèles LSTM et BiLSTM avec des techniques d’embedding de
mots. Cette section mettra en lumière le prétraitement NLP, l’extraction des caractéristiques et les résul-
tats obtenus. Par ailleurs, une analyse comparative sur la détection du spam utilisant des modèles d’ap-
prentissage automatique et d’apprentissage profond sera discutée. Cette approche se base sur l’extraction
des caractéristiques NLP, et vise à montrer comment des techniques similaires peuvent être appliquées
à des problèmes connexes de classification [Link], nous proposerons une étude appliquée au
contexte spécifique du tremblement de terre au Maroc, dans laquelle une approche basée sur l’intelli-
gence artificielle est mise en œuvre pour la détection des fausses nouvelles dans des scénarios de crise.
Cette partie se concentrera sur une comparaison des performances entre les modèles CNN, BiLSTM, et
HAN, tout en discutant des forces et limites de l’étude.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
100
Traitement du Langage Naturel

4.1 Intelligence Artificielle pour les Fausses Nouvelles

4.1.1 Aperçu de l’approche

Dans notre cadre proposé, illustré à la Fig.4.1, nous commençons par la collecte de données pour
entraîner nos modèles, en prétraitant l’ensemble de données et en supprimant les caractères et mots
inutiles. Les entités N-gram sont extraites et une matrice d’entités est formée pour représenter les docu-
ments concernés. La dernière étape du processus de classification consiste à entraîner le classificateur.
Nous avons étudié différents classificateurs pour prédire la classe des documents. Nous avons spécifi-
quement étudié 6 algorithmes d’apprentissage profond différents : CNN, LSTM, BI-LSTM, HAN, HAN
Convolutionnel et Bert.

F IGURE 4.1 – Flux de travail pour l’entraînement des algorithmes et la classification des
nouvelles.[8]

4.1.2 Évaluation Expérimentale

Informations Statistiques sur les Ensembles de Données

L’ensemble de données ISOT Fake News, créé par le laboratoire de recherche ISOT à l’Université
de Victoria au Canada [36], est le plus grand ensemble de données d’histoires complètes de fausses
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
101
Traitement du Langage Naturel

Type de Nouvelles Réel Faux

Nouvelles gouvernementales
Nouvelles du Moyen-Orient
Nouvelles mondiales Nouvelles des États-Unis
Catégorie
Nouvelles politiques Nouvelles du parti de gauche
Nouvelles politiques
Nouvelles générales
Taille 21 417 23 481

TABLE 4.1 – Les fragments de l’ensemble de données ISOT [8].

nouvelles accessible. Il y a 44 898 éléments dans la collection ISOT, avec 21 417 classés comme Réels
et 23 481 désignés comme Faux (voir Tab.4.1).
Chaque modèle sera d’abord entraîné avec 80% des données ISOT. Les 20% restants des données
ISOT seront utilisés pour évaluer la précision des classificateurs entraînés. FakeNewsNet et les Données
Originales seront également utilisés pour les tests, comme mentionné précédemment. Le but de ces tests
supplémentaires est de s’assurer que nous détectons les fausses nouvelles plutôt que tout autre motif dans
l’ensemble de données ISOT, tel que le style d’une organisation de presse.
Chaque article de l’ensemble de données ISOT étiqueté comme Réel a été obtenu de Reuters ; toutes
les histoires commençaient par le terme "Reuters". Les humains et les robots pourraient facilement re-
connaître ce motif. Pour éviter cela, le terme "Reuters" a été omis au début de chaque élément.
Nous utilisons des nuages de mots pour les nouvelles réelles et fausses afin de visualiser cet ensemble
de données et d’en obtenir un aperçu. La Fig. 4.2 montre un nuage de mots des nouvelles réelles et fausses
de l’ensemble de données.

F IGURE 4.2 – Nuage de mots des ensembles de données réelles et fausses [8]
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
102
Traitement du Langage Naturel

Caractéristiques Étudiées

Tf-Idf proposée par [209] et largement utilisée dans de nombreuses tâches en traitement du langage
naturel. La méthode TF-IDF permet de quantifier les mots en reflétant l’importance d’un mot pour un
document dans un corpus de documents. Cette méthode repose sur l’idée que chaque mot reçoit un
poids propre wi j basé sur son apparition dans le document et dans l’ensemble des documents. Ces poids
mettent en avant les mots qui sont distincts et contiennent des informations utiles dans un document
donné. "Ainsi, l’idf d’un terme rare est élevé, tandis que l’idf d’un terme fréquent est susceptible d’être
faible" [210]. Pour chaque mot dans un document j, la valeur TF-IDF est calculée en d’abord calculant la
Fréquence du Terme (TF), qui compte le nombre d’occurrences des mots dans un document, puis la Fré-
quence Inverse du Document (IDF), qui est le catalyseur pour s’assurer que les mots apparaissant moins
fréquemment reçoivent plus de poids par rapport à ceux apparaissant plus fréquemment (par exemple,
les mots vides), ce qui est calculé comme suit :
 
|D|
log
dfi

où d f i désigne le nombre de documents contenant le mot i et |D| se réfère au nombre de documents dans
le corpus. La métrique TF-IDF est calculée comme suit :
 
|D|
wi = t f i · log
dfi

où t f i , d f i , et |D| se réfèrent respectivement au nombre d’apparitions du mot i dans le document j, au

nombre de documents contenant le mot i, et au nombre total de documents. Cependant, cette méthode ne
permet pas de capturer les motifs sémantiques, ce qui la rend utile uniquement pour les caractéristiques
lexicales.

Intégration de mots (word embedding) L’intégration de mots est un sous-ensemble de techniques

de représentation vectorielle dense pour représenter les mots et les [Link] méthodes traditionnelles
de codage de motifs de sac de mots employaient de grands vecteurs dispersés pour représenter chaque
mot ou pour faire une marque dans un vecteur pour représenter un vocabulaire complet. Deux exemples
de méthodes pour apprendre à intégrer des mots à partir de textes : Word2Vec et GloVe. En plus de
ces méthodes soigneusement conçues, l’intégration de mots peut être apprise dans le cadre d’un modèle
d’apprentissage profond. Cela peut être une approche plus lente, mais elle permet d’adapter le modèle à
un ensemble de données d’entraînement spécifique.
Word2Vec est disponible en deux modes : sac de mots continu (CBOW) et skip-gram. Il a été initia-
lement conçu pour prédire un mot dans un contexte. Par exemple, étant donné deux mots précédents et
les deux mots suivants, quel mot est le plus susceptible de se produire entre eux. Mais il semble que la
représentation cachée de ces mots fonctionne bien comme intégration de mots et possède des propriétés
très intéressantes telles que les mots ayant un sens similaire ont une représentation vectorielle similaire.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
103
Traitement du Langage Naturel

Il est également possible d’effectuer des calculs arithmétiques qui capturent des informations telles que
le singulier, le pluriel ou même les capitales et les pays.
GloVe est une technique d’apprentissage non supervisée célèbre pour la représentation des mots
dans l’espace vectoriel, développée par Stanford en 2014 [114]. Elle tire parti du modèle skip-gram
de word2vec et des méthodes de filtrage collaboratif, également connues sous le nom de factorisation
matricielle. GloVe crée simplement une matrice de co-occurrence de mots à partir de l’ensemble du
document utilisé pour l’entraînement et mappe chaque mot à un endroit sémantiquement pertinent dans
l’espace, en gardant la distance entre les mots liés minimale [85].

Extraction des Caractéristiques dans le Modèle

Prétraitement des Données Les données textuelles nécessitent un prétraitement spécial pour être
mises en œuvre dans des algorithmes d’apprentissage automatique ou d’apprentissage profond. Il existe
diverses techniques largement utilisées pour convertir les données textuelles en une forme prête pour la
modélisation. Les étapes de prétraitement des données que nous décrivons ci-dessous sont appliquées au
contenu des nouvelles. Les différentes représentations de vecteurs de mots que nous avons employées
dans le cadre de notre analyse sont également données.
Nuage de mots : Avant de commencer le prétraitement, nous visualisons nos données à partir du
nuage de mots des mots-clés les plus utilisés dans nos données.
Suppression de la Ponctuation : La ponctuation dans le langage naturel fournit le contexte gram-
matical de la phrase. Les signes de ponctuation tels qu’une virgule peuvent ne pas ajouter beaucoup de
valeur à la compréhension du sens de la phrase.
Suppression des mots vides : Nous commençons par supprimer les mots vides des données tex-
tuelles disponibles. Les mots vides sont des mots insignifiants dans une langue qui créeront du bruit
lorsqu’ils seront utilisés comme caractéristiques dans la classification de texte. Les mots les plus cou-
rants dans une langue qui ne fournissent pas beaucoup de contexte peuvent être traités et filtrés du texte
car ils sont plus courants et contiennent moins d’informations utiles. Nous avons utilisé la bibliothèque
Natural Language Toolkit (NLTK) pour supprimer les mots vides.
Racination : La racination est une technique de suppression des préfixes et des suffixes d’un mot,
se terminant par la racine. En utilisant la racine, nous pouvons réduire les formes fléchies et parfois les
formes dérivées d’un mot à une forme de base commune.

Extraction des Caractéristiques La performance des modèles d’apprentissage profond dépend en

grande partie de la conception des caractéristiques.
Extraction des caractéristiques n-grammes : Le n-gramme basé sur les mots a été utilisé pour
représenter le contexte du document et générer des fonctionnalités pour classer le document comme faux
et réel. De nombreux travaux existants ont utilisé les approches unigramme (n = 1) et bigramme (n =
2) pour la détection des fausses nouvelles [211]. Nous avons utilisé la fonction TfidfVectorizer de la
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
104
Traitement du Langage Naturel

bibliothèque sklearn d’extraction de caractéristiques en Python pour générer des fonctionnalités TF-IDF
n-grammes.
Intégration de Mots Pré-entraînée : Pour les modèles de réseaux de neurones, les intégrations de
mots ont été initialisées avec des intégrations pré-entraînées de GloVe en 100 dimensions [36]. Leur
entraînement s’est déroulé sur un ensemble de données comprenant un milliard de tokens (mots) et un
vocabulaire de 400 000 mots. Dans cette architecture LSTM avec gensim, nous avons utilisé Word2Vec
de Google pour représenter les mots dans des intégrations d’espace vectoriel de 100 dimensions.
Sac de Mots : La technique du sac de mots traite chaque article de presse comme un document
et calcule le nombre de fréquences de chaque mot dans ce document, qui est ensuite utilisé pour créer
une représentation numérique des données, également connue sous le nom de caractéristiques vecto-
rielles de longueur fixe. Le sac de mots convertit le texte brut en vecteur de comptage des mots avec
la fonction CountVectorizer pour l’extraction des caractéristiques. CountVectorizer divise le contenu du
texte, construit le vocabulaire, et encode le texte en un vecteur. Ce vecteur encodé aura un comptage des
occurrences de chaque mot qui ressemble davantage à un comptage de fréquence sous forme de paire
clé/valeur. Cette méthodologie présente des inconvénients en termes de perte d’information. La position
relative des mots est ignorée et l’information contextuelle est perdue.

Modèles Étudiés pour l’Implémentation des Approches

Ici, nous décrivons d’abord la configuration expérimentale des différents modèles basés sur les ré-
seaux de neurones et l’apprentissage profond utilisés dans notre expérience.

CNN Le modèle de Réseaux de Neurones Convolutifs a été initialisé comme une séquence de couches.
Nous utiliserons une structure de réseau entièrement connecté avec trois couches. Les couches entière-
ment connectées sont définies en utilisant la classe Dense. La configuration des couches neurales permet
de définir le nombre d’unités de traitement et leur fonction d’activation. Pour les deux premières strates,
nous optons pour l’activation ReLU (unité linéaire rectifiée), tandis que la couche finale emploie une
fonction sigmoïde. Le choix de la sigmoïde en sortie garantit que les valeurs produites se situent dans
l’intervalle [0, 1]. Cela facilite l’interprétation en termes de probabilité d’appartenance à la classe 1,
ou permet une classification binaire stricte en appliquant un seuil de 0,5 par défaut. La compilation du
modèle intègre l’algorithme d’optimisation ADAM, paramétré avec un taux d’apprentissage de 0,001,
visant à réduire la perte d’entropie croisée binaire. L’entraînement du réseau s’est déroulé sur 3 itérations
complètes du jeu de données.

LSTM LSTM avec gensim Nous utilisons la bibliothèque gensim en Python qui prend en charge une
multitude de classes pour les applications NLP. Comme discuté, nous utilisons un modèle CBOW avec
échantillonnage négatif et des vecteurs de mots de 100 dimensions. L’optimiseur ADAM avec un taux
d’apprentissage de 0,001 a été appliqué pour minimiser la perte d’entropie croisée binaire et la sigmoïde
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
105
Traitement du Langage Naturel

était la fonction d’activation pour la couche de sortie finale. Enfin, ce modèle a été entraîné sur 3 époques
avec des lots de 64 et 512.
LSTM avec GloVe Le modèle LSTM a été pré-entraîné avec des intégrations GloVe en 100 dimen-
sions. La dimension de sortie et les pas de temps ont été réglés à 300. L’optimiseur ADAM avec un taux
d’apprentissage de 0,001 a été appliqué pour minimiser la perte d’entropie croisée binaire et la sigmoïde
était la fonction d’activation pour la couche de sortie finale. Enfin, ce modèle a été entraîné sur 3 époques
avec des lots de 64 et 512.

Bi-LSTM Le but du modèle Bi-LSTM est de détecter les anomalies dans une certaine partie des nou-
velles, nous devons l’examiner avec les événements d’action précédents et suivants. Le Bi-LSTM a été
initialisé avec des intégrations GloVe pré-entraînées de 100 dimensions. Une dimension de sortie de 100
et des pas de temps de 300 ont été appliqués. L’optimiseur ADAM avec un taux d’apprentissage de 0,001
a été utilisé pour minimiser la perte d’entropie croisée binaire. La taille du lot d’apprentissage a été fixée
à 128 et une perte à chaque époque a été observée avec rappel.

HAN Le réseau d’attention hiérarchique (HAN) consistait en deux mécanismes d’attention pour le
codage au niveau des mots et des phrases. Avant l’entraînement, nous avons fixé le nombre maximum de
phrases dans un article de presse à 20 et le nombre maximum de mots dans une phrase à 100. Dans les
deux niveaux de codage, un GRU bidirectionnel avec une dimension de sortie de 100 a été introduit dans
notre couche d’attention personnalisée. Nous avons utilisé un encodeur de mots comme entrée de notre
couche d’encodeur de phrases distribuée dans le temps. Nous avons optimisé notre modèle avec ADAM
qui a appris à un taux de 0,001. Nous avons utilisé la bibliothèque Keras avec le backend Tensorflow
pour implémenter le mécanisme d’attention.

HAN Convolutionnel Afin d’extraire des caractéristiques d’entrée de haut niveau, nous avons incor-
poré une couche convolutive unidimensionnelle avant chaque couche GRU bidirectionnelle dans le HAN.
Cette couche a sélectionné les caractéristiques de chaque trigramme de l’article de presse avant de les
transmettre à la couche d’attention.

BERT Les Représentations Encodeur Bidirectionnel de Transformers (BERT) sont un modèle pré-
entraîné pour l’apprentissage des représentations contextuelles des mots à partir de textes non étiquetés.
Il possède deux caractéristiques principales : c’est un modèle de transformateur profond qui peut ana-
lyser efficacement de longues phrases en utilisant le mécanisme d’« attention », et il est bidirectionnel,
ce qui signifie qu’il produit des sorties basées sur l’ensemble de la phrase d’entrée. Nous avons utilisé
BERT pour gérer l’ensemble de données et construire un modèle d’apprentissage profond pour la dé-
tection des fausses nouvelles en ajustant finement le modèle pré-entraîné bert-based-uncased. Comme le
modèle BERT-Large nécessite beaucoup de temps et de mémoire, nous avons choisi BERT-Base pour
cette enquête. Le modèle BERT-Base est composé de 12 couches (blocs de transformateurs) et de 110
millions de paramètres.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
106
Traitement du Langage Naturel

4.1.3 Résultats
Dans cette section, nous décrivons une analyse des performances de nos modèles basés sur les ré-
seaux de neurones et l’apprentissage profond. Nous présentons les meilleures performances pour chaque
ensemble de données. Nous calculons la précision, la précision, le rappel et le score F1 pour les classes
fausses et réelles, et trouvons leur moyenne, moyenne pondérée (le nombre d’instances vraies pour
chaque classe) et rapportons un score moyen de ces métriques.

Métriques d’Évaluation

Nous utilisons la précision, la précision, le rappel et le score F1 comme métriques d’évaluation (tp,
fp, fn dans les équations suivantes sont respectivement les vrais positifs, faux positifs et faux négatifs). La
précision est une mesure calculée comme le ratio des prédictions correctes au nombre total d’exemples.
La précision mesure le pourcentage de prédictions positives qui sont correctes et est définie comme suit :

tp
Prcision = (4.1)
tp+ f p

Le rappel consiste à mesurer le pourcentage de prédictions correctes que le classificateur capture et est
défini comme suit :
tp
Rappel = (4.2)
tp+ fn
Le score F1 permet de trouver l’équilibre entre le rappel et la précision et est calculé comme suit :

Précision × Rappel
ScoreF1 = (4.3)
Précision + Rappel

La précision est souvent la métrique la plus utilisée représentant le pourcentage d’observations cor-
rectement prédites, qu’elles soient vraies ou fausses. Pour calculer la précision des performances d’un
modèle, l’équation suivante peut être utilisée :

t p + tn
Prcision = (4.4)
t p + tn + f p + f n

Modèles Caractéristiques Exactitude Précision Rappel Score F1

LSTM word2vec (Gensim) 0.98 0.98 0.98 0.98
LSTM Glove Embedding 0.98 0.98 0.98 0.98
BiLSTM 0.78 0.50 0.78 0.89
HAN 0.59 0.59 0.59 0.59
Conv-HAN 0.56 0.56 0.56 0.56
CNN TF-idf Countvectorizer 0.90 0.90 0.90 0.90
BERT 0.99 0.99 0.98 0.99

TABLE 4.2 – Résultats des modèles prédictifs sur les quatre ensembles de données
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
107
Traitement du Langage Naturel

F IGURE 4.3 – Matrice de confusion pour les modèles Bert et LSTM

4.1.4 Résultats et discussion

Les études précédentes sur la détection des fausses nouvelles se sont principalement concentrées sur
les modèles traditionnels d’apprentissage automatique. Il est donc important de comparer leurs perfor-
mances avec celles des modèles d’apprentissage profond. En particulier, l’objectif de l’étude précédente
est de comparer les performances de différents modèles traditionnels d’apprentissage automatique et de
modèles d’apprentissage profond sur la détection des fausses nouvelles. Compte tenu du grand succès
des modèles de langage avancés pré-entraînés sur diverses tâches de classification de texte, dans le Tab.
4.3, nous rapportons les performances de différents modèles d’apprentissage profond. Le modèle de base
CNN est considéré comme le meilleur modèle pour Liar dans [163]. Nous constatons qu’il est le troi-
sième meilleur modèle basé sur les réseaux de neurones selon ses performances sur l’ensemble de don-
nées. Les modèles basés sur BILSTM sont les plus vulnérables au surapprentissage pour cet ensemble de
données, ce qui se reflète dans leurs performances. Bien que HAN soit également victime de surappren-
tissage, comme mentionné dans [163], Notre LSTM avec gensim ou avec GloVe présente les meilleures
performances parmi les modèles neuronaux pour l’ensemble de données, avec une précision de 98% et
un score F1 de 0,98. Les modèles CNN montrent une amélioration sur l’ensemble de données, tandis que
les modèles CNN continuent leurs performances impressionnantes 4.5. Parmi les modèles d’apprentis-
sage profond en traitement du langage naturel avancés pré-entraînés que nous avons étudiés, Bert montre
les meilleures performances avec une précision de 0,99. Les modèles basés sur BERT pré-entraînés sur-
passent les autres modèles. Nous voyons que le modèle basé sur BERT est capable d’atteindre une haute
précision (plus de 90%) Par conséquent, ces modèles peuvent être utilisés pour la détection des fausses
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
108
Traitement du Langage Naturel

nouvelles dans différentes langues où une grande collection de données étiquetées n’est pas réalisable.
Différents modèles BERT pré-entraînés sont déjà disponibles pour différentes langues.

4.2 Amélioration de la détection de la désinformation en utilisant

LSTM et BiLSTM avec des techniques d’embedding de mots

4.2.1 Modèle proposé pour la détection des fausses nouvelles

Le modèle proposé pour la détection des fausses nouvelles implique une approche systématique et
structurée, en utilisant des techniques avancées de NLP et d’apprentissage automatique. Le flux de travail
est résumé visuellement dans la Figure 4.4 et est détaillé comme suit :

Jeu de données d’entrée

Le modèle commence par le jeu de données d’entrée ISOT dataset [], qui se compose d’articles de
presse. Ce jeu de données est un mélange de vraies et fausses nouvelles, servant de base pour l’en-
traînement et l’évaluation des algorithmes de détection. Le jeu de données sera ensuite divisé en deux
parties :
Jeu de données d’entraînement et de validation : 80% du jeu de données est utilisé pour entraîner
les modèles et valider leurs performances. Jeu de test : Les 20% restants sont mis de côté pour tester les
performances finales du modèle.

Prétraitement NLP

Pour exécuter des algorithmes d’apprentissage automatique ou d’apprentissage profond sur des don-
nées textuelles, un prétraitement significatif est nécessaire. Les données textuelles peuvent être transfor-
mées à l’aide de diverses méthodes pour créer une forme adaptée à la modélisation [212]. Les méthodes
de prétraitement des données que nous décrivons ci-dessous sont appliquées au contenu des nouvelles.
Nous fournissons également des détails sur les différentes représentations de vecteurs de mots que nous
avons utilisées au cours de notre investigation.
Suppression des mots vides : Ensuite, nous éliminons les mots vides des données textuelles dis-
ponibles. Les mots vides sont de petits mots insignifiants qui, lorsqu’ils sont utilisés comme caractéris-
tiques de classification de texte, seront perturbateurs pour le processus. Parce qu’ils sont plus courants
et contiennent moins d’informations pertinentes, les mots les plus couramment utilisés dans une langue
peuvent être traités et filtrés du texte. Les mots vides ont été éliminés en utilisant la bibliothèque Natural
Language Toolkit (NLTK).
Suppression de la ponctuation : La ponctuation dans le langage naturel fournit le contexte gram-
matical de la phrase. Les virgules et autres signes de ponctuation peuvent ne pas contribuer de manière
significative à la compréhension du contenu d’une phrase.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
109
Traitement du Langage Naturel

Racinisation : est une méthode pour supprimer les préfixes et les suffixes d’un mot, ne laissant que
la racine. Les formes fléchies et parfois les formes dérivées d’un mot peuvent être réduites à une forme
de base en utilisant la racine.

Extraction des caractéristiques

Pour construire un modèle d’apprentissage profond, la sélection des caractéristiques est d’une im-
portance capitale pour une performance optimale du système. L’extraction des caractéristiques est une
étape cruciale dans le traitement du langage naturel pour la détection de la désinformation. L’objec-
tif de l’extraction des caractéristiques est de convertir les données textuelles brutes en un ensemble de
caractéristiques numériques pouvant être utilisées comme entrée pour les algorithmes d’apprentissage
automatique, tels que les réseaux neuronaux profonds.
Il existe de nombreuses approches différentes pour l’extraction des caractéristiques pour la détection
de la désinformation, mais certaines techniques couramment utilisées incluent :
Sac de mots : Cette méthode simple compte la fréquence de chaque mot dans le texte en présentant
les données textuelles comme une collection de mots. En conséquence, un vecteur clairsemé est créé,
chaque membre indiquant la fréquence d’un mot différent dans l’entrée de texte. Bien que BoW soit
simple à calculer, il ne capture pas le contexte ni l’ordre des mots.
Term Frequency-Inverse Document Frequency : Il s’agit d’un développement de BoW qui pon-
dère l’importance de chaque mot dans le texte en fonction de sa fréquence d’apparition dans le document
individuel et dans le corpus dans son ensemble [213]. Chaque mot est pondéré par TF-IDF de manière
inversement proportionnelle à sa fréquence dans l’ensemble du corpus et proportionnelle à sa fréquence
d’apparition dans le document. Cette approche améliore la différenciation entre l’information authen-
tique et la désinformation en soulignant les expressions essentielles.
Vecteurs de mots : Dans cette méthode plus avancée, les mots sont représentés sous forme de vec-
teurs denses dans un espace de haute dimension, où la distance entre les vecteurs indique à quel point
les mots sont sémantiquement proches les uns des autres. Les intégrations de mots sont souvent décou-
vertes à l’aide de réseaux neuronaux entraînés sur de vastes bibliothèques de données textuelles, comme
Word2Vec ou GloVe. L’avantage des intégrations de mots est qu’elles peuvent capturer les relations
sémantiques entre les mots, mais leur calcul peut être coûteux en termes de ressources [213].
GloVe a été créé par Stanford en 2014 [114], une méthode d’apprentissage non supervisée bien
connue pour la représentation des mots dans l’espace vectoriel. Elle utilise la factorisation matricielle,
également connue sous le nom de filtrage collaboratif, et le modèle skip-gram de Word2Vec. Pour mi-
nimiser la distance entre les mots apparentés, GloVe extrait simplement une matrice de cooccurrence
de mots à partir de l’ensemble du document d’entraînement et mappe chaque mot à un emplacement
sémantiquement approprié dans l’espace .
Globalement, l’extraction des caractéristiques est une étape cruciale dans le NLP pour la détection
de la désinformation, et il existe une variété de stratégies pouvant être appliquées en fonction des parti-
cularités de la tâche.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
110
Traitement du Langage Naturel

F IGURE 4.4 – Système de detection des fausses informations s’appuyant sur les architec-
tures neuronales LSTM et Bi-directional LSTM

4.2.2 Résultats
Dans cette section, nous décrivons une analyse des performances de nos modèles basés sur les ré-
seaux de neurones et l’apprentissage profond. Nous présentons les meilleures performances pour chaque
ensemble de données. Nous calculons la précision, la précision, le rappel et le score F1 pour les classes
fausses et réelles, et trouvons leur moyenne, moyenne pondérée (le nombre d’instances vraies pour
chaque classe) et rapportons un score moyen de ces métriques.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
111
Traitement du Langage Naturel

Métriques d’Évaluation

Nous utilisons la précision, la précision, le rappel et le score F1 comme métriques de notation (tp,
fp, fn dans les équations ci-dessous sont respectivement les vrais positifs, les faux positifs et les faux
négatifs). La précision est une mesure calculée comme le ratio des prédictions correctes au nombre
total d’échantillons. La précision mesure le pourcentage de prédictions positives qui sont correctes et est
définie comme suit :
tp
Prcision = (4.5)
tp+ f p
Le rappel consiste à mesurer le pourcentage de prédictions correctes que le classificateur capture et est
défini comme suit :
tp
Rappel = (4.6)
tp+ fn
Le score F1 vise à trouver un équilibre entre le rappel et la précision et est calculé comme suit :

Précision × Rappel
ScoreF1 = (4.7)
Précision + Rappel
La précision est souvent la métrique la plus couramment utilisée et représente le pourcentage d’obser-
vations correctement prédites (vraies ou fausses). Pour calculer la précision des performances de votre
modèle, vous pouvez utiliser la formule suivante :

t p + tn
Prcision = (4.8)
t p + tn + f p + f n

Modèles Caractéristiques Précision Rappel F1-score

LSTM word2vec (Gensim) 0,78 0,78 0,78
LSTM GloVe Embedding 0,96 0,96 0,96
BiLSTM GloVe Embedding 0,94 0,94 0,94

TABLE 4.3 – Résultats des modèles prédictifs LSTM et BI-LSTM sur les ensembles de
données ISOT

Nous décrivons ici d’abord la configuration expérimentale pour divers modèles basés sur les réseaux
neuronaux :
LSTM avec gensim : Le réseau et l’apprentissage profond utilisés dans l’expérience. LSTM avec
Gensim nous utilisons leur bibliothèque Gensim pour Python. Un ensemble de classes pour les applica-
tions NLP. Utilisez le modèle CBOW comme décrit. Échantillonnage négatif et vecteurs de mots de 100
dimensions. L’optimiseur ADAM avec un taux d’apprentissage de 0,001 a été appliqué pour minimiser
la perte d’entropie croisée binaire, Sigmoïde était la fonction d’activation pour la couche de sortie finale.
Enfin, ce modèle a été entraîné sur 3 époques avec des lots de 64 et 512.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
112
Traitement du Langage Naturel

F IGURE 4.5 – Matrice de confusion pour le modèle LSTM

Modèle LSTM avec GloVe : Le modèle LSTM est pré-entraîné avec des intégrations GloVe de 100
dimensions. Les dimensions de sortie et le pas de temps sont réglés à 300. Un optimiseur ADAM avec
un taux d’apprentissage de 0,001 a été appliqué pour minimiser la perte d’entropie croisée binaire, et la
sigmoïde était la fonction d’activation de la couche de sortie finale. Enfin, le modèle a été entraîné en
lots de 64 et 512 pendant 3 époques.
Bi-LSTM : Le but du modèle Bi-LSTM est de détecter les anomalies dans un modèle particulier.
C’est une partie des nouvelles et elle doit être explorée à la fois avant et après les événements d’action.
Le Bi-LSTM a été initialisé avec une intégration GloVe pré-entraînée de 100 dimensions. 100 dimen-
sions de sortie et 300 pas de temps ont été appliqués. Nous avons utilisé l’optimiseur ADAM avec un
taux d’apprentissage de 0,001 pour minimiser la perte d’entropie croisée binaire. La taille de la pile
d’apprentissage a été fixée à 128 et nous avons observé une perte pour chaque époque sur le rappel.
Dans le Tab. 4.3, nous rapportons les performances de différents modèles d’apprentissage profond.
Le succès supérieur des modèles Bi-LSTM dans la détection de la désinformation peut être dû à leur
capacité à reconnaître des motifs et des connexions plus complexes dans les données. Les Bi-LSTM
peuvent prendre en considération à la fois les mots qui précèdent et ceux qui suivent un autre mot dans
une phrase en traitant la séquence d’entrée dans les deux directions, avant et arrière [214]. Cela peut les
aider à comprendre le contexte global du texte. Cela est crucial pour détecter la désinformation parce
qu’il peut être compliqué de distinguer les deux, même lorsque certains mots ou phrases sont inclus. En
conclusion, les modèles Bi-LSTM ont démontré des performances supérieures dans l’identification des
fausses nouvelles par rapport aux modèles LSTM avec une précision de 94% et un score F1 de 0,94. Ils
sont un outil important dans la lutte contre la désinformation en raison de leur capacité à reconnaître des
motifs et des connexions plus complexes dans les données. Le fait qu’il y ait toujours des possibilités
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
113
Traitement du Langage Naturel

d’amélioration dans les algorithmes d’apprentissage automatique ne doit pas être négligé. Pour continuer
à améliorer l’efficacité de ces modèles dans l’identification des fausses nouvelles et d’autres tâches de
NLP, des recherches supplémentaires sont nécessaires.

4.3 Une analyse et évaluation de la détection de spam utilisant des

techniques d’apprentissage automatique et d’apprentissage pro-
fond optimisées : application d’une nouvelle approche basée
sur l’extraction des caractéristiques NLP

4.3.1 Modèle proposé

Notre cadre proposé pour la détection de SPAM peut être résumé par le schéma présenté dans la figure
4.6 . Comme illustré dans cette figure, le système suggéré comprend plusieurs phases, dont la première
est l’acquisition de données, suivie par le prétraitement du corpus collecté. Ensuite, l’annotation a été
réalisée manuellement. Après cela, la tokenisation, l’élimination des mots vides et le stemming ont été
effectués. Enfin, notre modèle a été entraîné et testé avec les algorithmes choisis, à savoir K-Means, SVM
et LSTM, en utilisant le corpus avec les techniques TF-IDF et word2vec. Des détails supplémentaires
sur chaque phase sont fournis dans les sous-sections suivantes.

F IGURE 4.6 – L’architecture du modèle proposé

4.3.2 Description de l’ensemble de données

Le corpus de données employé pour notre étude provient de la plateforme Kaggle. Il contient environ
57 208 lignes. Comme indiqué dans le tableau 1, la caractéristique descriptive se compose du texte des
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
114
Traitement du Langage Naturel

emails envoyés, tandis que la caractéristique ciblée se compose de deux classes : "Ham" et "Spam". Les
classes sont étiquetées pour chaque message du jeu de données et représentent la fonctionnalité ciblée
avec un alphabet binaire de type chaîne Ham ; Spam. Les classes sont ensuite mappées à l’entier 0 (Ham)
et 1 (Spam).

TABLE 4.4 – Exemple de jeu de données utilisé

Message Catégorie
Vous avez une annonce importante du service client de premier. Spam
Vos crédits ont été rechargés pour [Link] Spam
votre code de renouvellement est Txxxxx
La science dit que le chocolat fondra sous le soleil. Veuillez ne pas Ham
marcher sous le soleil. Baozi ne veut pas perdre un ami cher.
Le montant mensuel n’est pas si terrible et vous ne paierez rien avant 6 Ham
mois après avoir terminé l’école.

4.3.3 Prétraitement et Annotation

Afin de pouvoir créer et entraîner un classificateur à partir de n’importe quel corpus de texte, il est
impératif que les documents textuels soient convertis en entrées valides qui peuvent être comprises par
tout algorithme de classification, conformément à une procédure précise. En effet, ces entrées précieuses
sont des vecteurs ou des matrices qui spécifient le poids de chaque descripteur (mot ou groupe de mots)
pour chaque fichier texte où ils sont présents. Ainsi, le processus qui est effectué sur le corpus avant
de le retourner sous forme de document vectoriel est connu sous le nom de prétraitement, tandis que
la transformation d’un document textuel (non structuré) en document vectoriel (données structurées)
est connue sous le nom d’extraction de caractéristiques. Par conséquent, les phases de prétraitement du
corpus que nous suivons sont décrites dans la figure 4.7.

F IGURE 4.7 – Processus de prétraitement et de transformation du texte du courrier électro-

nique

Tokenisation

La tokenisation est un processus de décomposition d’un fichier texte en une collection de mots et
une collection de phrases. Son objectif est de calculer correctement les ensembles de données sous ces
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
115
Traitement du Langage Naturel

formes, afin d’améliorer la précision des classificateurs. La décomposition du texte est le processus
consistant à transformer un texte d’entrée en un ensemble de mots, y compris les répétitions.

Suppression des mots vides

Certains termes, désignés comme mots outils, se retrouvent abondamment dans tous types d’écrits.
Leur omniprésence les rend peu significatifs pour catégoriser un texte. De plus, leur inclusion peut in-
troduire des perturbations nuisant à l’efficacité du dispositif de classification. Par conséquent, il est re-
commandé d’éliminer ces éléments pour optimiser les capacités de catégorisation du système qui sera
mis en œuvre ultérieurement. Cette catégorie englobe notamment les mots de liaison, les conjonctions,
les articles, ainsi que certains verbes courants dans l’ensemble des classes de la typologie (tels que "il,
votre, chapeau, avoir, être, donc, comment...").

Racine (Stemming)

En linguistique morphologique et dans le contexte de la recherche, l’extraction racinaire désigne le

mécanisme de réduction des termes dérivés à leur forme élémentaire. La racine obtenue ne correspond
pas systématiquement à la racine morphologique stricto sensu. L’objectif principal est de permettre le
regroupement de mots partageant une base et une signification analogues, même si la racine extraite n’est
pas forcément conforme aux critères linguistiques traditionnels.

Représentation vectorielle du texte

Un texte peut être perçu comme une suite de mots. Cependant, cette représentation n’est pas direc-
tement exploitable par les algorithmes d’apprentissage automatique, qui nécessitent des données sous
forme de vecteurs numériques pour effectuer la classification. La vectorisation textuelle consiste à trans-
former chaque segment en une série de valeurs numériques, chacune correspondant à un terme du lexique
établi à partir de l’ensemble des documents ou du corpus. Pour vectoriser les textes, on établit d’abord un
inventaire exhaustif des termes présents dans le corpus d’entraînement. On génère ensuite une matrice
numérique où chaque ligne représente un texte du corpus et chaque colonne un terme de l’inventaire.
L’absence d’un terme dans un document est marquée par un 0, tandis que sa présence est indiquée soit
par un 1, soit par le nombre total de ses occurrences dans le document. Cette structure matricielle est
appelée matrice de fréquence.

Extraction des caracteristiques

La technique de pondération TF-IDF est fréquemment employée dans l’extraction d’informations,

notamment en fouille de textes. Cet indicateur statistique évalue la pertinence d’un mot au sein d’un
texte spécifique par rapport à un ensemble de documents ou un corpus. Sa magnitude reflète le degré
d’indexation des termes dans la collection documentaire. Les composantes du vecteur représentant un
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
116
Traitement du Langage Naturel

document correspondent aux valeurs attribuées à ses mots-clés d’indexation. On attribue un poids plus
important aux termes caractérisant un document présenté comme

d = (w1 , w2 , w3 , . . . , wn ) (4.9)

Par conséquent, le TF-IDF est déterminé par l’équation 4.10.

TFi − IDFi, j = TFi, j ∗ IDFi (4.10)

Avec

ni, j
TFi, j = (4.11)
∑k nk, j
Et
!
D
IDFi = log (4.12)
d j : ti ∈d j
D’un autre côté, la méthode Word2vec, utilisée depuis 2013, est conçue pour créer efficacement des em-
beddings de mots. Cependant, au-delà de ses avantages en tant que méthode pour l’embedding des mots,
de nombreux concepts associés à Word2vec se sont révélés efficaces pour créer des outils de recomman-
dation et pour donner un sens aux ensembles de données, même pour des tâches non linguistiques et
professionnelles.

Résultats et discussions

Une fois que nous avons préparé le corpus prétraité pour être utilisé par les classificateurs en utilisant
les méthodes TF-IDF et Word2vec, nous commençons les phases d’apprentissage et d’évaluation. Pour
cette dernière phase, une série de calculs de précision, d’exactitude et de f1-score est effectuée en utilisant
les équations 4.13,4.14 et 4.15.

True Positive
Precision = (4.13)
(True Positive + False Positive)

(Sensitivity × Precision)
F1-Score = 2 × (4.14)
(Sensitivity + Precision)

(True Positive + True Negative)

Accuracy = (4.15)
(True Positive + False Positive + True Negative + False Negative)

Les résultats de l’évaluation expérimentale de la classification en utilisant des classificateurs conven-

tionnels, combinés avec les méthodes TF-IDF ou Word2vec, sont présentés dans le Tableau 4.5. À partir
de ce tableau, on peut facilement observer que le classificateur LSTM atteint des valeurs de 98,01%,
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
117
Traitement du Langage Naturel

TABLE 4.5 – Résultats des classificateurs incluant le prétraitement

Algorithm Technique Precision Accuracy F1-score

TF-IDF 96.73% 95.90% 96.94%
K-MEANS
Word2vec 94.79% 92.54% 94.26%
TF-IDF 98.01% 97.79% 98.36%
LSTM
Word2vec 94.84% 95.02% 96.24%
TF-IDF 91.03% 93.26% 93.39%
SVM
Word2vec 90.36% 92.65% 92.91%

97,79% et 98,36% en précision, exactitude et F1-score, respectivement, pour notre corpus avec l’utili-
sation de TF-IDF. De plus, lorsque nous remplaçons TF-IDF par Word2vec, les valeurs obtenues sont
de 94,84%, 95,02% et 96,24% en précision, exactitude et F1-score, respectivement. D’autre part, le
classificateur SVM atteint 91,03% en précision, 93,26% en exactitude et 93,39% en F1-score lorsqu’on
utilise TF-IDF. Cependant, le même algorithme atteint 90,36% en précision, 92,65% en exactitude, et
92,91% en F1-score avec l’utilisation de Word2vec. Lorsque TF-IDF est choisi, les résultats de K-means
sont de 96,73%, 95,90% et 96,94% en précision, exactitude et F1-score, respectivement. De plus, avec
l’utilisation de Word2vec, il atteint 94,79%, 92,54% et 94,26% en précision, exactitude et F1-score,
respectivement.
La figure 4.8 illustre les performances des trois classificateurs couramment utilisés lors de l’expé-
rience où nous avons utilisé TF-IDF comme mécanisme d’extraction de caractéristiques. Par ailleurs,
la figure 4.9 montre les résultats obtenus après l’utilisation de Word2vec. Les détails des résultats ob-
tenus sont fournis ci-dessous. Ainsi, nous pouvons constater que le LSTM atteint une haute précision
(98,01%-94,84%), une exactitude (97,79%-95,02%) et un F1-score (98,36%-96,24%) élevés avec l’uti-
lisation de TF-IDF ou Word2vec, respectivement. Ces valeurs sont supérieures à celles obtenues lorsque
nous utilisons K-Means ou SVM avec TF-IDF ou Word2vec. De plus, nous pouvons remarquer que les
performances de tous les algorithmes sont améliorées lorsque TF-IDF est sélectionné comme technique
d’extraction de caractéristiques plutôt que Word2vec.
Ces résultats obtenus montrent que le classificateur le plus adapté à notre proposition est le réseau de
mémoire à long et court terme (LSTM), car il offre une précision élevée par rapport aux autres méthodes,
ainsi qu’une très grande exactitude et un F1-score plus élevé. Nous pouvons également remarquer que le
classificateur K-Means est également utile dans cette situation, mais cela n’implique pas que le SVM ne
soit pas utile.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
118
Traitement du Langage Naturel

F IGURE 4.8 – Résultats de classification avec TF-IDF

F IGURE 4.9 – Résultats de classification avec TF-IDF

Dans cette étude, nous nous sommes concentrés sur la détection de SPAM dans les messages électro-
niques. Pour collecter les données nécessaires, un jeu de données a été téléchargé depuis Kaggle. Dans
notre thése, nous avons utilisé divers algorithmes qui peuvent être catégorisés en deux classes distinctes :
un algorithme de Deep Learning, spécifiquement LSTM, et des approches conventionnelles telles que
SVM et K-Means.
Dans le but de tester l’efficacité de chaque algorithme, nous avons réalisé plusieurs simulations en
utilisant divers paramètres tels que la fréquence des termes - fréquence inverse des documents TF-IDF,
et l’embedding de mots (Word2vec). Les résultats obtenus sont très intéressants.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
119
Traitement du Langage Naturel

4.4 Une approche basée sur l’intelligence artificielle pour la détec-

tion des fausses nouvelles dans le contexte du tremblement de
terre au Maroc
Les conséquences du séisme qui s’est produit au Maroc le 8 septembre 2023 ont été considérables,
perturbant profondément la population marocaine. Cet événement a suscité l’intérêt à l’échelle mondiale,
engendrant des efforts importants pour en gérer les conséquences.
En parallèle, un problème préoccupant a émergé : la désinformation en ligne et la propagation de
fausses nouvelles sur le séisme. Les plateformes de médias sociaux, les sites d’actualités et les canaux
de partage de contenu ont été envahis par des informations contradictoires, des rumeurs infondées et des
théories du complot, semant la confusion et alimentant la méfiance du public. Ces fausses informations
ont non seulement entravé la diffusion d’informations précises et essentielles pour la gestion de la crise,
mais elles ont aussi intensifié l’anxiété et l’incertitude parmi la population affectée.
Dans ce contexte critique, la détection des fausses nouvelles est devenue impérative pour préserver
l’intégrité de l’information en temps de crise, assurant ainsi que les décisions et actions soient fondées
sur des données fiables.
Cette étude explore et analyse les méthodes de détection des fausses nouvelles dans le contexte
spécifique du tremblement dséisme du 8 septembre 2023 au Maroc. Elle se penche sur les défis uniques
posés par les fausses nouvelles lors de catastrophes naturelles majeures, où l’urgence et la précision de
l’information jouent un rôle crucial.
Les récents progrès en apprentissage automatique, traitement du langage naturel et analyse de don-
nées ont ouvert de nouvelles voies pour identifier et contrer la propagation rapide des fausses nouvelles
en temps réel. Cette recherche s’inscrit dans une initiative plus large visant à développer des approches
algorithmiques innovantes pour combattre la désinformation en ligne et à approfondir notre compréhen-
sion des dynamiques qui régissent la diffusion de fausses informations en période de catastrophe.

Une étude comparative des avantages entre CNN, BILSTM et HAN

Les réseaux de neurones convolutionnels (CNNs), les réseaux LSTM bidirectionnels (BILSTMs) et
les réseaux d’attention hiérarchique (HAN) sont des techniques d’apprentissage profond utilisées pour
résoudre des problèmes de traitement du langage naturel, tels que la classification de texte, la traduction
automatique, etc. Chacune de ces techniques présente des avantages spécifiques[215], comme décrit
ci-dessous :
Les CNNs sont très efficaces pour extraire des caractéristiques à partir de données structurées telles
que des images, des vidéos ou des séquences de mots. Ils sont également très rapides et peuvent traiter
de grandes quantités de données en peu de temps, ce qui les rend adaptés à des tâches telles que la
classification de texte à grande échelle[196]. Les avantages des CNNs pour les tâches de classification
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
120
Traitement du Langage Naturel

de texte résident dans leur capacité à extraire des caractéristiques pertinentes des mots et des phrases et
dans leur moindre probabilité de surapprentissage sur un ensemble de données d’entraînement[216].
BILSTM : Les réseaux LSTM bidirectionnels sont très efficaces pour traiter des séquences de don-
nées, telles que des séquences de mots, et peuvent conserver des informations sur les séquences avant
et après un mot donné[192]. Cela permet aux BILSTMs de capturer des informations contextuelles et
de mieux comprendre le sens des mots au sein d’une phrase ou d’un document. Les avantages des BIL-
STMs pour les tâches de classification de texte sont qu’ils peuvent comprendre le contexte global des
phrases et des documents et qu’ils sont moins susceptibles de surapprendre sur un ensemble de données
d’entraînement[217].
HAN : Les réseaux d’attention hiérarchique sont très efficaces pour sélectionner les parties les plus
importantes d’une séquence de données, telles que les parties d’une phrase qui sont les plus pertinentes
pour une tâche de classification de texte. Ils peuvent également être utilisés pour pondérer différentes
parties d’une phrase en fonction de leur importance, ce qui peut améliorer la précision de la classification
de texte[218]. Les avantages des réseaux d’attention hiérarchique pour les tâches de classification de
texte résident dans leur capacité à identifier les parties les plus pertinentes d’un document et dans leur
grande flexibilité, ce qui permet de les utiliser en combinaison avec d’autres techniques d’apprentissage
profond, telles que BILSTM et CNN[219].
En résumé, chaque technique d’apprentissage profond a ses avantages spécifiques[220, 221, 222,
223, 224, 225, 226] pour les tâches de classification de texte. Les CNNs sont très rapides et efficaces pour
extraire des caractéristiques pertinentes à partir de grandes quantités de données, tandis que les BILSTMs
peuvent mieux comprendre le contexte global des phrases et des documents. Les HAN sont très efficaces
pour identifier les parties les plus pertinentes d’un document et peuvent être utilisés en combinaison avec
d’autres techniques d’apprentissage profond pour améliorer la précision de la classification de texte.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
121
Traitement du Langage Naturel

4.4.1 Modèle proposé

F IGURE 4.10 – Modèle proposé de détection des fausses nouvelles basé sur plusieurs mo-
dèles d’apprentissage profond.

Dans le cadre de notre travail de thèse, nous proposons une approche novatrice pour la détection des
fausses nouvelles, constituant ainsi la contribution principale de notre recherche. Comme illustré dans
la Figure 4.10, notre modèle repose sur une architecture hybride combinant trois puissantes techniques
de modélisation :CNN,BiLSTM et HAN. Cette approche intégrée est conçue pour exploiter les forces
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
122
Traitement du Langage Naturel

complémentaires de chaque modèlerenforcer l’exactitude et la fiabilité de l’identification des fausses

nouvelles.
Le CNN est utilisé pour extraire des caractéristiques locales à partir des séquences textuelles, en
capturant efficacement les dépendances locales et les motifs récurrents dans les données textuelles, tels
que les phrases courtes ou les expressions qui sont souvent associées à des nouvelles fausses. Ensuite, le
BiLSTM est intégré pour traiter les relations de longue portée dans le texte en exploitant sa capacité à
conserver et à capturer les dépendances temporelles dans les deux directions (passé et futur). Cela permet
au modèle de mieux comprendre le contexte global d’un document, un aspect crucial pour distinguer des
informations véridiques de celles qui sont trompeuses. Enfin, le HAN est employé pour mettre en œuvre
une attention hiérarchique, accordant plus de poids aux parties du texte qui sont plus susceptibles de
contenir des indices pertinents pour la classification.
Cette architecture multi-modèle est non seulement capable de traiter différents types de relations
linguistiques et contextuelles au sein des données textuelles, mais elle est également conçue pour être
adaptable à divers jeux de données et techniques d’extraction de caractéristiques. En combinant ces ap-
proches, notre modèle tire parti des avantages de chaque technique pour optimiser la performance globale
de la détection des fausses nouvelles. Cela permet d’obtenir une compréhension plus fine des schémas
linguistiques complexes, tout en réduisant les erreurs de classification, rendant ainsi notre solution plus
précise et fiable.
Cette approche combinée représente un progrès significatif par rapport aux modèles traditionnels
utilisés dans la détection des fausses nouvelles, car elle exploite pleinement les synergies entre les dif-
férentes méthodes. En s’appuyant sur cette architecture, nous visons à établir une nouvelle norme en
matière de détection des fausses nouvelles dans un contexte où l’information se diffuse rapidement et de
manière souvent trompeuse.
Collecte des données : Pour renforcer la fiabilité et la pertinence de notre modèle de détection
des fausses nouvelles, nous avons adopté une approche d’intégration de données multisources. Cette
méthode consiste à recueillir et à combiner des informations provenant de divers canaux numériques,
afin de constituer un ensemble de données riche et diversifié.Les principales sources comprennent des
réseaux sociaux comme Twitter et Facebook, où les informations peuvent être rapidement partagées et
amplifiées. Ces réseaux sociaux offrent un échantillon représentatif de messages courts, souvent marqués
par des émotions fortes et des styles de langage informel. En complément, nous avons agrégé des articles
de presse issus de publications en ligne, qu’il s’agisse de sources d’informations réputées ou de sites
moins crédibles, pour capturer des variations dans les structures et les formats journalistiques.
En outre, des blogs, forums et autres plateformes de discussion en ligne ont été inclus dans le pro-
cessus de collecte, permettant de capturer des opinions personnelles et des récits plus longs. Ces sources
apportent un aspect contextuel important, car elles peuvent refléter l’évolution des discussions autour
de certains sujets et influencer l’opinion publique sur le long terme. Le fait d’exploiter ce mélange de
sources d’information permet à notre modèle de s’adapter aux multiples styles d’écriture, allant des
textes formels et structurés aux commentaires spontanés et informels.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
123
Traitement du Langage Naturel

Cette approche globale garantit non seulement une couverture plus large des thématiques, mais elle
permet aussi au modèle de détecter des schémas récurrents et des signaux linguistiques spécifiques qui
pourraient indiquer la présence d’informations trompeuses. En exposant le modèle à des textes variés,
nous l’aidons à développer une compréhension plus robuste des nuances linguistiques, des particularités
stylistiques, ainsi que des tournures syntaxiques qui peuvent différencier les fausses nouvelles des vraies.
Prétraitement du texte : Une étape essentielle dans le pipeline de détection des fausses nouvelles
est le prétraitement rigoureux du texte, qui constitue la base pour garantir des prédictions précises et
fiables [227]. Cette phase vise à transformer les données brutes en un format structuré et propre, prêt à
être utilisé par les algorithmes de NLP. Le prétraitement commence par un nettoyage avancé du texte,
incluant la suppression des éléments non pertinents tels que les balises HTML, les URL, les caractères
spéciaux, les signes de ponctuation superflus et les espaces blancs. Cette épuration vise à diminuer les
parasites, à savoir les données superflues susceptibles de masquer les indices pertinents et d’entraver
l’efficacité du système.
Ensuite, la tokenisation est appliquée. Il s’agit de segmenter le texte en unités linguistiques élémen-
taires appelées "tokens", qui peuvent correspondre à des mots, des sous-mots ou même des caractères,
en fonction de la granularité choisie. Ce découpage permet d’analyser le texte à un niveau plus fin et
facilite le traitement du langage par les algorithmes, notamment en décomposant des phrases complexes
en éléments gérables.
Le stemming est une autre étape importante dans ce processus [16]. Il consiste à réduire les mots
à leur racine ou à leur forme la plus simple, souvent en supprimant les suffixes. Par exemple, les mots
"jouant", "joué" et "jouer" sont ramenés à leur forme racine "jou", ce qui permet de traiter différentes
variantes d’un même mot comme étant identiques. Cette technique, bien qu’efficace, peut parfois aboutir
à des résultats imprécis, c’est pourquoi elle est souvent combinée avec le lemmatisation, une méthode
plus sophistiquée qui conserve la signification grammaticale du mot.
De plus, d’autres techniques de prétraitement peuvent être utilisées selon les besoins spécifiques du
modèle. Par exemple, la conversion du texte en minuscules, la suppression des mots vides (stop words)
tels que "le", "et", ou "de" qui n’apportent pas de valeur significative à l’analyse, ainsi que l’homogénéi-
sation des formats de date et d’heure.
Le prétraitement textuel est une étape primordiale car il garantit que les données d’entrée sont cohé-
rentes et structurées, facilitant ainsi l’apprentissage du modèle. Cela améliore non seulement l’efficacité
du modèle en réduisant la complexité des données, mais cela lui permet également d’être plus performant
dans sa tâche principale, à savoir discerner le contenu véridique des récits trompeurs ou fallacieux. Une
donnée prétraitée de manière optimale permet aux algorithmes de mieux saisir les relations subtiles entre
les mots, d’identifier des schémas cachés et, finalement, de renforcer la capacité du modèle à détecter les
fausses nouvelles avec précision et fiabilité.
Extraction de caractéristiques avec le NLP : L’une des forces majeures de notre modèle réside dans
sa capacité à extraire des caractéristiques textuelles qui capturent à la fois la richesse sémantique et les
structures syntaxiques des données. En utilisant une combinaison de techniques avancées de traitement
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
124
Traitement du Langage Naturel

du langage naturel, notre modèle exploite divers niveaux d’informations contextuelles et lexicales pour
améliorer la détection des fausses nouvelles. Les principales méthodes d’extraction de caractéristiques
employées sont les suivantes :
— Sac de mots : Nous adoptons une approche de BoW pour convertir les documents textuels en
vecteurs de caractéristiques. Chaque document est représenté comme un vecteur basé sur la fré-
quence des mots qui apparaissent, ignorant l’ordre des mots, mais capturant les occurrences les
plus fréquentes. Bien que cette méthode ne prenne pas en compte le contexte, elle reste efficace
pour identifier des termes spécifiques répandus dans les fausses nouvelles [228].
— TF-IDF : En complément du BoW, nous utilisons TF-IDF pour pondérer les mots en fonction de
leur importance dans le corpus. Cette technique est cruciale pour faire ressortir les termes rares
mais significatifs qui pourraient avoir un impact plus informatif. En d’autres termes, les mots
fréquemment répétés dans plusieurs documents obtiennent un poids inférieur, tandis que les mots
rares mais essentiels sont mis en avant, augmentant ainsi la précision de la classification [17].
— Vecteurs de mots : Afin de capturer les relations sémantiques entre les mots, nous utilisons des
modèles d’embeddings préentraînés comme Word2Vec, GloVe ou FastText. Contrairement aux
techniques basées sur la fréquence des mots, les word embeddings permettent de représenter les
mots sous forme de vecteurs continus dans un espace multidimensionnel, capturant les similarités
sémantiques entre les termes. Cela permet de comprendre les nuances linguistiques et de mieux
distinguer les vérités des fausses nouvelles [17].
— Analyse de Sentiment : Nous intégrons également l’analyse de sentiment dans notre pipeline pour
évaluer le ton émotionnel ou la polarité des documents textuels. L’idée est d’examiner les senti-
ments (positifs, négatifs ou neutres) associés aux nouvelles pour identifier des motifs émotionnels
spécifiques aux fausses nouvelles. Cette approche est particulièrement utile dans la détection des
discours alarmistes ou exagérés qui peuvent signaler une tentative de désinformation [229].
En combinant ces différentes techniques d’extraction de caractéristiques, notre modèle est capable
de saisir des éléments à la fois superficiels et profonds du texte, renforçant ainsi sa capacité à détecter
les signaux linguistiques subtils associés aux fausses nouvelles.
Modèle CNN pour l’extraction de caractéristiques : Le réseau de neurones convolutif est une
architecture particulièrement adaptée à l’extraction de caractéristiques locales dans les textes, notamment
pour les titres d’articles ou les contenus de nouvelles. Dans notre approche, nous utilisons des vecteurs
d’embedding préentraînés, tels que Word2Vec ou GloVe, pour représenter chaque mot du texte sous
forme de vecteurs continus. Ces embeddings capturent les relations sémantiques et syntaxiques entre les
mots, permettant ainsi au CNN de traiter non seulement les mots isolés, mais aussi les contextes qui les
entourent.
Une fois les mots convertis en vecteurs d’embedding, le modèle CNN applique des filtres convolu-
tionnels de différentes tailles de fenêtres (ou "kernels") sur ces vecteurs. Ces filtres permettent de capturer
des motifs locaux dans le texte, tels que les combinaisons de mots, les phrases, ou même des expressions
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
125
Traitement du Langage Naturel

spécifiques associées à la désinformation. Par exemple, un filtre avec une fenêtre de taille 3 peut analyser
des trigrams (séquences de trois mots), tandis qu’un autre avec une fenêtre de taille 5 peut saisir des
relations plus longues entre les mots dans une phrase.
Chaque filtre agit comme un détecteur de caractéristiques, extrayant des informations spécifiques à
partir des séquences textuelles. Les convolutions successives permettent au CNN de détecter des motifs
répétitifs et de les relier à des classes de contenu, comme la vérité ou la fausse nouvelle. Une fois les
caractéristiques locales identifiées par les filtres convolutionnels, elles passent par une opération de poo-
ling, souvent une max-pooling, pour réduire la dimensionnalité et conserver uniquement les informations
les plus pertinentes.
Les caractéristiques extraites sont ensuite aplaties en un vecteur unidimensionnel. Ce vecteur aplati
est ensuite injecté dans une ou plusieurs couches entièrement connectées (fully connected layers) qui per-
mettent au modèle de combiner les informations locales extraites par les convolutions et de les associer
à des motifs globaux.
Enfin, ce vecteur de caractéristiques consolidé est alimenté dans la couche de fusion, où les informa-
tions extraites par le CNN sont combinées avec celles provenant d’autres modèles ou sources (comme les
modèles BiLSTM ou HAN) dans notre architecture hybride. Ce processus de fusion permet de créer une
représentation riche et complète du texte, facilitant ainsi une classification plus précise pour la détection
des fausses nouvelles.
Le CNN agit comme un détecteur efficace de motifs locaux dans le texte, en capturant à la fois des
informations lexicales et contextuelles cruciales pour distinguer les nouvelles fiables des fausses.
Modèle BiLSTM pour la modélisation de séquences : Le modèle BiLSTM (Bidirectional Long
Short-Term Memory) est conçu pour capturer les relations séquentielles et contextuelles complexes dans
des données textuelles, en particulier celles qui sont liées à des dépendances à long terme dans un texte.
Contrairement aux modèles traditionnels de LSTM qui ne capturent l’information que dans une seule
direction (du passé vers le futur), le BiLSTM exploite l’information dans les deux directions, en traitant
simultanément les séquences de l’avant vers l’arrière et de l’arrière vers l’avant.
Dans notre approche, après que le CNN a extrait des caractéristiques locales des documents textuels
et les a aplaties en un vecteur de caractéristiques, ce vecteur est réorganisé en une séquence d’entrées
qui sera ensuite traitée par le BiLSTM. Cette transformation est essentielle, car elle permet au modèle
BiLSTM de traiter non seulement les caractéristiques en tant qu’entités isolées, mais aussi de capturer
les dépendances séquentielles entre ces caractéristiques.
Le modèle BiLSTM fonctionne en deux étapes principales :
LSTM avant (forward LSTM) : Cette première couche LSTM traite la séquence de caractéristiques
aplaties dans l’ordre chronologique (c’est-à-dire du début à la fin du texte), capturant les relations séquen-
tielles dans cette direction. Cela permet au modèle d’apprendre à modéliser comment les caractéristiques
textuelles précédentes influencent les suivantes, en tenant compte de la structure naturelle du langage.
LSTM arrière (backward LSTM) : Simultanément, une deuxième couche LSTM parcourt la même
séquence d’entrées, mais cette fois dans l’ordre inverse (de la fin vers le début du texte). Cette étape
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
126
Traitement du Langage Naturel

est cruciale pour capturer les relations qui peuvent exister en tenant compte des mots ou phrases qui
viennent après. Par exemple, dans de nombreux cas, le sens d’un mot ou d’une phrase peut être influencé
par les mots qui suivent.
En combinant ces deux flux de traitement, le BiLSTM est capable de capturer des relations contex-
tuelles beaucoup plus riches que ce que permettrait un LSTM classique. Cela est particulièrement utile
pour la détection de fausses nouvelles, où le sens et l’intention d’un texte peuvent être déterminés par
des indices contextuels à la fois avant et après une phrase donnée.
Le BiLSTM est également particulièrement efficace pour apprendre des dépendances à long terme
dans les textes, comme les liens entre des informations introduites au début d’un article et celles men-
tionnées plus tard. Cela est crucial pour détecter des incohérences ou des motifs de désinformation qui
ne sont pas immédiatement apparents en lisant le texte de manière linéaire.
Une fois que le BiLSTM a appris les dépendances contextuelles et séquentielles, il produit des re-
présentations de haut niveau qui encapsulent ces informations bidirectionnelles. Ces représentations sont
ensuite passées à des couches denses ou à une couche de fusion dans notre architecture globale, où elles
sont combinées avec les caractéristiques extraites par d’autres modules, tels que le CNN ou le HAN
(Hierarchical Attention Network).
Ainsi, le modèle BiLSTM complète l’extraction locale effectuée par le CNN en apportant une com-
préhension plus globale et contextuelle du texte, améliorant la capacité du système à détecter des signaux
subtils de désinformation qui émergent dans les relations entre les mots et les phrases sur de longues dis-
tances textuelles.
Modèle HAN pour l’attention hiérarchique : Le modèle HAN (Hierarchical Attention Network)
est une architecture avancée conçue pour capturer les relations hiérarchiques dans les données textuelles,
en modélisant de manière distincte les relations entre les mots et les phrases, puis entre les phrases et le
document dans son ensemble. Cette approche hiérarchique est particulièrement adaptée pour des tâches
de compréhension du langage naturel, comme la détection de fausses nouvelles, où le contexte global et
la structure narrative jouent un rôle essentiel dans la classification.
Dans notre modèle, les sorties séquentielles du BiLSTM, qui capturent déjà les dépendances à long
terme et les relations contextuelles entre les mots, servent d’entrée au HAN. Ce modèle est structuré en
deux niveaux principaux d’attention : l’attention au niveau des mots et l’attention au niveau des phrases.
Cette hiérarchie permet de capturer et de pondérer l’importance des différents éléments du texte (à la
fois les mots et les phrases) en fonction de leur contribution à la classification finale.
Le fonctionnement du HAN se déroule en plusieurs étapes :
Attention au niveau des mots :
À ce premier niveau, le modèle HAN traite chaque phrase du texte indépendamment. Le BiLSTM a
déjà extrait des caractéristiques séquentielles pour chaque mot, mais le HAN applique une couche d’at-
tention spécifique aux mots. Cette attention permet d’attribuer des poids différents aux mots en fonction
de leur importance pour la tâche de détection de fausses nouvelles. Par exemple, certains mots peuvent
avoir un impact plus significatif dans le contexte d’une phrase donnée, et l’attention hiérarchique apprend
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
127
Traitement du Langage Naturel

à repérer ces mots-clés qui contribuent de manière critique à la sémantique de la phrase. Le mécanisme
d’attention au niveau des mots produit ensuite une représentation pondérée pour chaque phrase, où les
mots jugés plus pertinents auront une plus grande influence sur cette représentation. Attention au niveau
des phrases :
Une fois les représentations des phrases générées à partir des mots, le modèle applique un deuxième
mécanisme d’attention, cette fois-ci au niveau des phrases. Ici, le modèle analyse la relation entre les
phrases dans le document. Chaque phrase ne contribue pas de manière égale à la classification finale,
et certaines phrases peuvent contenir des informations essentielles pour déterminer si une nouvelle est
authentique ou fausse. Par exemple, une phrase introductive ou une conclusion pourrait être particuliè-
rement cruciale dans la formation d’un jugement. Grâce à l’attention hiérarchique, le modèle pondère
chaque phrase selon son importance, et ces poids reflètent la contribution relative de chaque phrase à la
prédiction de la classe de l’article. Combinaison et classification :
Après avoir pondéré l’importance des mots et des phrases, le HAN combine ces informations pour
générer une représentation globale du document entier. Cette représentation hiérarchique du texte, en-
richie par l’attention, est ensuite transmise aux couches de classification suivantes. Le modèle HAN
s’assure que les informations essentielles, à la fois au niveau des mots et des phrases, sont prioritaires
dans la décision finale, permettant ainsi une classification plus précise et plus nuancée des articles en
fausses ou véritables nouvelles. Le principal avantage du HAN est sa capacité à modéliser l’information
de manière hiérarchique, tout en apprenant automatiquement à focaliser l’attention sur les parties les plus
pertinentes du texte. Contrairement à des modèles plus simples qui traitent un document comme un sac
de mots ou une séquence plate, le HAN distingue les niveaux d’importance à l’intérieur du texte, ce qui
lui permet d’améliorer la performance globale dans des tâches complexes de compréhension du langage.
Dans notre contexte de la détection de fausses nouvelles, ce modèle est particulièrement efficace,
car il peut identifier des signaux subtils de désinformation à la fois dans le choix des mots et dans
la manière dont ces mots sont organisés en phrases et paragraphes. Le modèle HAN capture ainsi les
nuances textuelles à la fois locales (mot à mot) et globales (phrase à phrase), renforçant la robustesse du
système de détection proposé.
Cette approche hiérarchique permet d’améliorer la précision de la détection en se concentrant non
seulement sur les informations lexicales mais aussi sur les structures narratives, tout en pondérant intel-
ligemment les informations clés dans le texte.
Fonction d’activation : La fonction d’activation est un élément crucial dans le processus de prise
de décision des réseaux de neurones, en particulier dans les couches de sortie pour les tâches de classi-
fication. Dans notre modèle, nous utilisons une couche de sortie avec la fonction d’activation Softmax,
une fonction couramment utilisée pour la classification multi-classes, afin de prédire la probabilité qu’un
article de presse soit vrai ou faux.
La fonction Softmax convertit les sorties linéaires du modèle en probabilités, garantissant que la
somme des probabilités pour toutes les classes possibles (dans notre cas, “vrai” ou “faux”) est égale à 1.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
128
Traitement du Langage Naturel

Plus précisément, elle transforme les scores bruts (également appelés logits) en un vecteur de probabili-
tés, où chaque probabilité correspond à une classe, permettant ainsi une interprétation facile des résultats
du modèle.
Matériellement, la Softmax prend les logits zi d’une couche finale du réseau pour chaque classe i et
calcule la probabilité Pi de chaque classe comme suit :

ezi
Pi =
∑Kj=1 ez j
où K représente le nombre total de classes (dans notre cas, 2 : “vrai” et “faux”). La fonction Soft-
max normalise ainsi les scores pour les rendre comparables en tant que probabilités, tout en mettant en
évidence les classes avec les plus grands logits.

Rétropropagation et fonction de perte Une fois les probabilités calculées par la fonction Softmax, le
modèle est entraîné en ajustant ses paramètres à l’aide de l’algorithme de rétropropagation du gradient.
Cet algorithme ajuste les poids du réseau en fonction de l’erreur commise par le modèle lors de la pré-
diction. Pour cela, une fonction de perte appropriée est utilisée pour mesurer l’écart entre les prédictions
du modèle et les étiquettes réelles des données.
Dans notre modèle, nous utilisons la perte de log-vraisemblance (ou cross-entropy loss), une fonc-
tion de perte couramment utilisée dans les tâches de classification. La perte de log-vraisemblance est
définie comme suit :

N K
L=−∑ ∑ yi j log(Pi j )
i=1 j =1

où :
— N est le nombre d’exemples dans le lot d’entraînement,
— K est le nombre de classes (ici, 2),
— yi j est la valeur binaire indiquant si l’exemple i appartient à la classe j,
— Pi j est la probabilité prédite que l’exemple i appartienne à la classe j.
Cette fonction de perte mesure la divergence entre les probabilités prédites par le modèle et les
étiquettes réelles. En minimisant cette perte, le modèle est capable d’améliorer ses prédictions sur l’en-
semble d’entraînement, apprenant à mieux distinguer les fausses nouvelles des vraies nouvelles.

Évaluation des performances Une fois le modèle entraîné, son efficacité est évaluée sur un ensemble
de test qui n’a pas été utilisé pendant la phase d’apprentissage. Nous mesurons les performances du
modèle à l’aide de plusieurs métriques standard dans la classification :

— Précision : proportion des prédictions correctes parmi l’ensemble des prédictions effectuées.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
129
Traitement du Langage Naturel

— Rappel : proportion des étiquettes positives correctement identifiées parmi toutes les étiquettes
positives réelles.
— Score F1 : la moyenne harmonique de la précision et du rappel, donnant un indicateur global des
performances du modèle en prenant en compte à la fois la précision et la capacité du modèle à
identifier les fausses nouvelles.
Ces métriques fournissent une évaluation complète des capacités de notre modèle à détecter la dés-
information, en mettant en lumière à la fois sa capacité à être précis dans ses prédictions et à capturer
correctement les récits trompeurs.

4.4.2 Discussion
Notre modèle de détection des fausses nouvelles, utilisant une combinaison de CNN, BiLSTM et
HAN, a des capacités prometteuses pour identifier les fausses nouvelles en ligne. L’application pratique
de ce modèle, en particulier dans le contexte des catastrophes naturelles, est cruciale. Dans notre prochain
article, nous prévoyons d’évaluer son efficacité en utilisant un ensemble de données lié au tremblement
de terre au Maroc.
L’importance d’une telle application réside dans la nature sensible des informations relatives aux ca-
tastrophes naturelles. Les fausses informations, les rumeurs et les détails trompeurs peuvent non seule-
ment créer de la confusion, mais aussi mettre en danger la vie des personnes touchées par ces événe-
ments. Notre objectif est d’évaluer dans quelle mesure notre modèle peut contribuer à la vérification
rapide et précise des informations relatives à ce tremblement de terre spécifique. En utilisant un grand
ensemble de données comprenant des articles de presse, des tweets, des publications sur les réseaux so-
ciaux et d’autres sources, nous analyserons les performances de notre modèle dans un contexte de crise,
notamment sa capacité à distinguer les informations exactes des fausses, à identifier les informations
trompeuses et à fournir des informations fiables aux personnes concernées.

Analyse des résultats dans le contexte

Les performances de notre modèle sont en accord avec les études existantes sur la détection des
fausses nouvelles, qui soulignent l’importance de combiner plusieurs techniques d’apprentissage profond
pour améliorer la précision. Par exemple, les recherches de [230] et de Wang et al.[231] ont montré que
l’intégration de CNN et BiLSTM peut capturer efficacement les caractéristiques spatiales et temporelles
des données textuelles, améliorant ainsi la capacité du modèle à identifier les informations trompeuses.
L’ajout de HAN permet à notre modèle de se concentrer sur les parties les plus pertinentes du texte,
affinant davantage ses capacités de détection ([6]).

Forces de l’étude

L’une des principales forces de notre modèle réside dans sa capacité à traiter efficacement une variété
de types de données, y compris les articles de presse, les tweets, les publications sur les réseaux sociaux,
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
130
Traitement du Langage Naturel

ainsi que d’autres sources d’information en ligne. Cette diversité est cruciale, en particulier dans les
contextes de crise, où les informations circulent à travers des canaux multiples et parfois non vérifiés. La
richesse de ces différentes sources, bien que variée en termes de structure, de format et de contenu, est
systématiquement capturée par notre modèle grâce à son architecture adaptable.
Dans des situations de crise, où la diffusion d’informations, parfois contradictoires, s’accélère, il
devient primordial d’analyser et de vérifier rapidement ces flux de données pour prévenir la propagation
de fausses nouvelles. Notre modèle excelle dans ce contexte grâce à sa robustesse et à sa capacité à gérer
des données hétérogènes. En s’appuyant sur des techniques avancées de traitement du langage naturel et
d’apprentissage profond, il est capable de s’ajuster aux variations de styles linguistiques, de formats de
données, et aux changements rapides dans les sources d’information.
Un autre avantage clé de notre modèle est son aptitude à intégrer de nouvelles informations en temps
réel. Grâce à des mises à jour dynamiques, le modèle peut ajuster ses prédictions et améliorer ses per-
formances en fonction des nouveaux contenus qui émergent dans l’écosystème de l’information. Cela
lui permet de s’adapter de manière continue et réactive à des environnements en constante évolution,
rendant son application particulièrement pertinente dans des situations dynamiques où la diffusion d’in-
formations change rapidement.
En somme, la flexibilité et la résilience de notre modèle face à des sources d’information multiples
et changeantes sont des atouts majeurs. Cette adaptabilité garantit que notre approche reste fiable et
pertinente, même dans des environnements critiques, tels que les crises, où la vitesse et l’exactitude de
la vérification des informations sont essentielles.

Contextualisation dans la littérature existante

Nos résultats contribuent au corpus plus large de recherches sur l’informatique de crise et la détection
des fausses nouvelles. Des études antérieures ont mis en évidence les effets néfastes de la désinforma-
tion lors des catastrophes, soulignant la nécessité de systèmes de détection efficaces ([77, 232]). Notre
travail s’appuie sur ces perspectives en fournissant une application concrète des techniques avancées
d’apprentissage automatique à un événement réel et récent.

Directions futures

Dans le but de surmonter les limitations identifiées, nos recherches futures se concentreront sur plu-
sieurs axes d’amélioration. Tout d’abord, nous prévoyons d’étendre l’adaptabilité et la scalabilité de
notre modèle en intégrant de nouvelles sources de données variées. Par exemple, nous allons appliquer
notre modèle sur des données en cours de préparation liées aux tremblements de terre au Maroc, afin de
tester sa performance dans un contexte réel de crise. Cette application servira non seulement à valider la
pertinence de notre approche dans le cadre de la gestion des catastrophes naturelles, mais également à
démontrer sa capacité à traiter des flux d’informations critiques en temps réel.
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
131
Traitement du Langage Naturel

De plus, l’application du modèle dans divers domaines, tels que la santé publique, la finance, et
les sciences environnementales, sera explorée pour garantir que notre modèle est robuste et perfor-
mant à travers différents types de données et scénarios. Cette approche multi-domaines permettra de
tester et d’améliorer la généralisation du modèle, rendant ses prédictions plus fiables et adaptatives à
des contextes variés. L’ajout de techniques d’apprentissage par transfert [233] sera également envisagé
pour exploiter les connaissances acquises sur certains domaines et les appliquer à de nouveaux jeux de
données avec un minimum de réapprentissage, augmentant ainsi l’efficacité et la précision du modèle.
Par ailleurs, nous envisageons de collaborer étroitement avec des organisations de réponse d’urgence
et des institutions spécialisées dans la gestion de crises. Ces partenariats offriront des retours d’expé-
rience précieux sur les performances du modèle dans des scénarios d’urgence réels. Cela permettra non
seulement d’affiner l’algorithme en fonction des besoins pratiques, mais aussi de renforcer sa fiabilité
dans des conditions de forte pression informationnelle, où la vérification rapide des faits est cruciale.
En conclusion, l’application de notre modèle aux données sismiques, en particulier dans le cadre des
tremblements de terre au Maroc, constitue une étape clé de nos travaux futurs. Cette thése mettra en
lumière l’utilité pratique de notre approche dans des contextes réels, tout en contribuant à la lutte contre
la propagation des fausses nouvelles en période de crise. Les résultats de cette étude seront publiés
dans un prochain article, où nous détaillerons les améliorations apportées au modèle et discuterons des
implications pour d’autres domaines critiques. Nous sommes impatients de partager ces avancées avec
la communauté scientifique et le grand public.

4.4.3 Synthèse de Contribution

Dans cette contribution, nous avons présenté une étude innovante sur la détection des fausses nou-
velles dans le contexte du tremblement de terre au Maroc, en utilisant un modèle basé sur une combi-
naison de CNN, BiLSTM et HAN. Notre objectif était de contribuer à la compréhension et à la lutte
contre les fausses nouvelles en période de crise en établissant un modèle capable d’analyser rapidement
et précisément les informations.
Nous avons démontré avec succès le potentiel de notre modèle pour identifier les fausses nouvelles,
en soulignant son applicabilité dans des situations de crise réelles. L’importance de notre travail ré-
side dans la fourniture d’outils précieux aux autorités, aux médias et au grand public pour distinguer
les informations exactes des fausses allégations, renforçant ainsi la résilience de nos sociétés face à la
désinformation.
Bien que nous ayons fait des progrès significatifs, nous reconnaissons la nécessité de poursuivre la
recherche. Nous prévoyons d’appliquer ce modèle à un ensemble de données plus large et plus diver-
sifié afin de mieux évaluer sa robustesse et sa fiabilité dans différents scénarios. Les résultats de cette
recherche étendue seront présentés dans un prochain article, offrant une analyse approfondie des perfor-
mances de notre modèle dans le contexte spécifique du tremblement de terre au Maroc.
Notre étude aborde la question cruciale des fausses nouvelles en période de crise et propose une
solution viable grâce à des techniques avancées d’apprentissage automatique. Nous sommes impatients
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
132
Traitement du Langage Naturel

de partager nos futures découvertes avec la communauté scientifique et le public, poursuivant notre
engagement à lutter contre la désinformation en mettant l’accent sur la recherche, l’innovation et la
vérité.

4.5 Analyses et discussions

Les contributions proposés sont des contributions significatives à la détection des fausses nouvelles,
en se concentrant principalement sur l’application des modèles d’apprentissage profond et des techniques
de traitement du langage naturel . L’objectif global est d’améliorer la précision, l’efficacité et l’adapta-
bilité des méthodes de détection des fausses nouvelles, en exploitant des architectures telles que CNN,
BiLSTM et HAN.
Les résultats obtenus dans ce travail révèlent que le modèle BiLSTM surpasse les autres techniques
en termes de capture des relations à long terme dans les données textuelles. Avec une précision de 94%,
il démontre sa capacité à traiter efficacement les dépendances entre les mots et les phrases dans un
texte, ce qui est essentiel pour identifier les fausses nouvelles qui reposent souvent sur des formulations
ambiguës ou trompeuses. D’autre part, l’utilisation de CNN permet d’extraire des caractéristiques locales
pertinentes, tandis que l’ajout du modèle HAN améliore encore plus la capacité du système à identifier
les informations critiques dans les textes.
Les forces des contributions résident dans plusieurs aspects clés. Tout d’abord, l’approche hybride
combinant CNN, BiLSTM et HAN a permis de capturer à la fois des informations locales (via CNN)
et globales (via BiLSTM et HAN), tout en appliquant un mécanisme d’attention hiérarchique qui ac-
corde plus de poids aux parties importantes du texte, améliorant ainsi la précision de la détection des
fausses nouvelles. Ensuite, cette approche a démontré une grande adaptabilité à différents contextes, en
particulier lorsqu’elle a été testée sur des jeux de données variés tels que le Liar Dataset, FakeNewsNet,
ainsi que sur des ensembles de données spécifiques à la crise du tremblement de terre au Maroc. Elle
a prouvé son efficacité dans des scénarios où la propagation de fausses informations est fréquente, no-
tamment en période de crise. Enfin, l’utilisation de techniques NLP avancées, comme les embeddings
de mots Word2Vec et GloVe, a permis une meilleure représentation sémantique des mots dans les textes,
renforçant ainsi les performances globales des modèles. L’analyse comparative a montré que la combi-
naison d’approches basées sur les embeddings et l’attention permet de capturer des nuances linguistiques
subtiles, souvent difficiles à détecter avec des modèles plus simples.
Pour répondre aux limites identifiées, plusieurs axes de recherche futurs sont envisagés. Tout d’abord,
une collecte plus large et plus diversifiée de jeux de données pourrait renforcer la capacité de généra-
lisation des modèles. À cet effet, une collaboration avec la Société nationale de radiodiffusion et de
télévision (SNRT) a déjà été initiée pour obtenir des données spécifiques liées au tremblement de terre,
et un travail de collecte de données a commencé en utilisant des technologies de Big Data et de Business
Intelligence (BI). L’application de techniques d’apprentissage par transfert pourrait également permettre
de mieux exploiter les connaissances acquises sur un ensemble de données et de les appliquer à de
Détection des Fausses Nouvelles Textuelles : Contributions Basées sur le Deep Learning et le
133
Traitement du Langage Naturel

nouveaux contextes avec moins de réentraînement. Par ailleurs, l’optimisation des performances com-
putationnelles reste une priorité afin de rendre ces approches plus viables dans des scénarios de prise de
décision en temps réel, notamment en situation de crise. Collaborer avec des organismes de gestion des
crises et des entités spécialisées dans la vérification des informations permettrait d’adapter les solutions
proposées à des scénarios pratiques et de renforcer leur impact sociétal.
Les contributions présentées dans ce chapitre apportent des avancées notables à la détection des
fausses nouvelles en ligne, en exploitant des modèles d’apprentissage profond robustes et adaptables. En
particulier, l’utilisation combinée de CNN, BiLSTM et HAN a démontré son efficacité dans la capture
des relations locales et globales dans les textes. Bien que les résultats soient prometteurs, des efforts
supplémentaires sont nécessaires pour améliorer la généralisation et l’efficacité computationnelle de ces
modèles, en particulier dans des environnements en évolution rapide comme les crises humanitaires et
les événements globaux majeurs.

Conclusion
Les résultats obtenus dans cette étude ont permis de démontrer que l’intégration de techniques avan-
cées de traitement du langage naturel et de modèles d’apprentissage profond améliore considérablement
la détection des fausses nouvelles. En particulier, des architectures complexes telles que le CNN, le BiL-
STM, et le HAN se sont révélées particulièrement efficaces, chaque modèle contribuant à une meilleure
compréhension des aspects contextuels et sémantiques des données textuelles.
Parmi les modèles testés, les architectures pré-entraînées telles que BERT ont montré des perfor-
mances optimales, surpassant d’autres modèles sur la base des métriques d’évaluation, notamment la
précision, le rappel, et le score F1. De plus, les expérimentations sur divers ensembles de données, y
compris des articles en ligne et des tweets, ont souligné l’importance d’une approche multimodale et
adaptable pour capturer les nombreuses nuances des fausses nouvelles.
Enfin, la contribution majeure de notre travail réside dans l’application de notre modèle de détection
des fausses nouvelles à des scénarios réels, tels que la gestion de crises comme le séisme au Maroc en
2023. Cette approche a montré comment des outils basés sur l’intelligence artificielle peuvent être utilisés
pour vérifier et trier efficacement les informations critiques en temps de crise, permettant une meilleure
gestion de la diffusion de l’information. À l’avenir, nous prévoyons d’étendre cette méthodologie à
d’autres domaines tels que la santé publique, les finances, et la sécurité, afin d’assurer une robustesse
accrue de notre modèle.
L’intégration de techniques d’apprentissage par transfert et l’utilisation de données en temps réel
amélioreront encore la capacité du modèle à détecter et à traiter les fausses nouvelles dans des environ-
nements dynamiques et en constante évolution.
 134

Conclusion Générale et Perspectives

Dans cette thèse, nous avons développé et évalué diverses approches novatrices pour la détection des
fausses nouvelles en nous appuyant sur des techniques avancées d’apprentissage profond et de traitement
du langage naturel. L’objectif principal de notre étude était de transformer le problème de la détection de
fausses informations en un problème de classification textuelle, ce qui nous a permis de tester différentes
architectures de réseaux neuronaux et combinaisons de techniques de prétraitement des données afin
d’optimiser à la fois la précision et la robustesse des systèmes de détection.
Nous avons consacré une attention particulière à l’exploration de modèles basés sur CNN et Bi-
LSTM pour capturer les relations locales et contextuelles dans les données textuelles. En complément,
nous avons étudié des approches plus complexes, comme le modèle HAN, qui se distingue par sa capacité
à pondérer de manière dynamique l’importance des mots et des phrases dans le processus de classifica-
tion. Ces modèles ont permis d’extraire des motifs textuels récurrents et des dépendances séquentielles
à travers les documents.
Notre étude comparative[7],[8] entre ces différentes architectures a permis de souligner non seule-
ment les forces et les faiblesses de chaque modèle, mais aussi d’identifier les meilleures combinaisons
possibles de méthodes d’extraction de caractéristiques et de réseaux neuronaux. En testant ces modèles
sur plusieurs ensembles de données, nous avons obtenu des résultats concluants qui démontrent l’ef-
ficacité des réseaux neuronaux profonds, notamment les modèles hybrides comme CNN-BiLSTM et
HAN, pour améliorer les performances de détection des fausses nouvelles dans des contextes variés.
Nous avons également intégré des architectures pré-entraînées comme BERT, dont l’efficacité pour des
tâches de NLP est reconnue. BERT, avec sa capacité à saisir les nuances sémantiques profondes grâce à
son apprentissage bidirectionnel, s’est révélé être un modèle de référence performant pour détecter les
fausses nouvelles. Sa force réside dans sa compréhension contextuelle des mots dans une phrase, ce qui
permet d’améliorer la précision globale de classification.
Cette diversité d’approches et d’architectures que nous avons étudiées [16],[17],[63],[69],[84],[225]
a mis en lumière les spécificités et les défis de la détection des fausses nouvelles par rapport à d’autres
tâches de classification textuelle. Notre travail jette ainsi les bases pour de futures recherches et appli-
cations dans ce domaine, en visant à affiner davantage les systèmes de détection pour qu’ils soient plus
adaptés aux besoins de la société actuelle, où la désinformation prolifère à un rythme alarmant.
Nos résultats ont clairement montré que les modèles basés sur BERT, ainsi que les approches hybrides
combinant CNN et Bi-LSTM, ont surpassé les autres architectures en termes de précision, de capacité
de généralisation et de robustesse, lorsqu’ils ont été appliqués à divers ensembles de données, y compris
Conclusion Générale et Perspectives 135

l’ensemble ISOT [234] et d’autres sources hétérogènes[31],[198]. Ces modèles se sont distingués non
seulement par leur capacité à traiter des volumes importants de données textuelles, mais aussi par leur
aptitude à capter les nuances contextuelles et sémantiques des textes, ce qui est crucial dans la détection
des fausses nouvelles.
L’intégration de techniques d’extraction de caractéristiques telles que le BoW, le TF-IDF et les em-
beddings de mots (Word2Vec, GloVe, FastText) a joué un rôle essentiel dans l’amélioration des perfor-
mances des modèles. Ces méthodes ont permis de capturer à la fois la richesse lexicale et sémantique des
documents, en offrant des représentations qui reflètent les relations entre les mots et leur importance dans
le texte. Cela a considérablement aidé les modèles à distinguer les contenus authentiques des contenus
trompeurs, en identifiant les motifs subtils caractéristiques des fausses nouvelles.
En particulier, BERT, avec sa capacité à comprendre les dépendances contextuelles à plusieurs ni-
veaux dans une phrase, s’est révélé particulièrement efficace pour saisir les subtilités linguistiques qui
échappent souvent aux modèles plus simples. De plus, l’approche hybride combinant CNN pour l’extrac-
tion de motifs locaux et Bi-LSTM pour la capture des dépendances séquentielles à long terme a permis
d’atteindre un équilibre optimal entre précision et complexité du modèle. Cette synergie entre extraction
de caractéristiques locales et globales a maximisé les capacités des modèles à gérer des types de données
variés, tout en maintenant une grande précision dans la classification.
En somme, nos expériences démontrent l’importance de la combinaison de méthodes avancées d’ex-
traction de caractéristiques avec des architectures de réseaux neuronaux profonds, et soulignent le poten-
tiel des approches hybrides dans la détection des fausses nouvelles, un domaine où la richesse sémantique
et contextuelle des données joue un rôle clé.
Notre contribution principale dans cette recherche réside dans le développement et l’introduction
d’une approche novatrice combinant les architectures CNN, Bi-LSTM et HAN, spécifiquement conçue
pour améliorer la détection des fausses nouvelles, en particulier dans des contextes de crise. Ce modèle
se distingue par son approche synergique : il exploite les avantages de chaque architecture pour traiter
efficacement les complexités linguistiques et contextuelles des informations trompeuses.
Le modèle utilise CNN pour extraire des motifs locaux à partir des données textuelles, notamment les
relations immédiates entre les mots, ce qui permet d’identifier des indices subtils au sein des phrases. En-
suite, un modèle Bi-LSTM est utilisé pour capturer les dépendances séquentielles à long terme, en tenant
compte du contexte global des documents, tant dans le sens direct que dans le sens inverse. Cette capa-
cité à modéliser les relations à longue portée améliore considérablement la compréhension du contenu
narratif et contextuel du texte.
L’élément clé de cette architecture est l’intégration d’un HAN, qui apporte une dimension supplé-
mentaire d’efficacité en hiérarchisant les mots et les phrases les plus pertinents au sein d’un document.
Le HAN permet non seulement de pondérer l’importance relative des différentes unités textuelles, mais
il fournit également au modèle la capacité de se concentrer sur les éléments cruciaux qui signalent la
tromperie, tels que les changements de ton, les contradictions ou les affirmations sans fondement. Cette
hiérarchisation dynamique des informations améliore considérablement la capacité du modèle à capturer
Conclusion Générale et Perspectives 136

les motifs linguistiques complexes et les subtilités contextuelles caractéristiques des fausses nouvelles.
Grâce à cette combinaison puissante de techniques, notre modèle est particulièrement bien adapté aux
situations de crise, où la rapidité et la précision de la détection des fausses informations sont essentielles.
En hiérarchisant intelligemment les informations, notre approche permet non seulement de renforcer
la précision de la détection, mais aussi de s’adapter aux évolutions rapides des données en temps réel.
Cela en fait une solution robuste et flexible, capable de relever les défis posés par la diffusion de fausses
nouvelles dans des environnements dynamiques et imprévisibles.
Cependant, nos travaux ont également mis en lumière plusieurs limites cruciales qu’il convient de
considérer. La première concerne la difficulté de maintenir une précision élevée dans un environnement
où l’information évolue rapidement, notamment en période de crise. Les nouvelles informations sont
souvent contradictoires, partielles, voire erronées, ce qui complique considérablement la tâche du mo-
dèle. Cette évolution rapide de l’information exige que le modèle soit capable de s’adapter presque en
temps réel, un défi technique et computationnel important.
Un autre obstacle majeur réside dans la disponibilité et la fiabilité des données en temps de crise. Les
données sont issues de différentes sources, comme les réseaux sociaux, les articles de presse ou encore
les publications informelles, où la qualité et la véracité des informations peuvent être très différentes.
Cela rend difficile la construction d’un ensemble de données de référence exhaustif et représentatif,
nécessaire pour garantir une bonne généralisation du modèle. Par ailleurs, la grande diversité des styles
linguistiques et des formats de communication dans ces sources rend la tâche encore plus complexe.
Les nuances contextuelles et les variations culturelles peuvent échapper au modèle, réduisant ainsi son
efficacité.
Enfin, l’adaptabilité du modèle à des situations imprévues et à des domaines différents est également
une contrainte. Bien que notre approche repose sur des techniques avancées comme le CNN, le Bi-
LSTM et le HAN, l’efficacité du modèle dépend fortement des données sur lesquelles il a été entraîné.
La nécessité d’entraîner le modèle sur des ensembles de données vastes et diversifiés pour assurer sa
robustesse face aux nouvelles formes de fausses informations demeure un défi central.
Ces limites soulignent l’importance de poursuivre les recherches pour améliorer non seulement la
rapidité et la précision du modèle, mais aussi sa capacité à s’adapter à l’évolution dynamique de l’infor-
mation dans des environnements critiques.
Pour surmonter les limites identifiées et renforcer notre modèle de détection des fausses nouvelles,
plusieurs pistes de recherche sont envisagées. Tout d’abord, l’intégration de sources de données supplé-
mentaires apparaît comme un axe central. En élargissant notre modèle au-delà des données textuelles
pour inclure des informations multimédias telles que les images, vidéos et fichiers audio, il serait pos-
sible de traiter des formes plus complexes de désinformation, souvent présentes dans les réseaux sociaux.
La capacité à combiner plusieurs modalités de données renforcerait ainsi la robustesse et l’efficacité du
modèle dans des environnements où les informations trompeuses sont diffusées sous diverses formes.
Ensuite, l’application de techniques d’apprentissage par transfert représente un domaine prometteur.
Conclusion Générale et Perspectives 137

En exploitant des modèles pré-entraînés sur de vastes ensembles de données spécifiques à certains do-
maines (comme les médias sociaux, la politique ou les crises sanitaires), nous pourrions améliorer la
généralisation de notre modèle à des types d’informations ou des contextes diversifiés. Cela entraînerait
non seulement une diminution du temps de formation, mais également une capacité du modèle à s’adap-
ter à de nouvelles formes de fausses nouvelles, même dans des contextes pour lesquels il n’a pas été
spécifiquement entraîné.
De plus, l’une des évolutions majeures envisagées concerne l’amélioration des mécanismes d’at-
tention utilisés dans le modèle. L’introduction de nouvelles méthodes d’attention plus fines, capables
de pondérer de manière plus intelligente les segments les plus critiques du texte ou des éléments mul-
timédias, pourrait affiner encore davantage la capacité du modèle à détecter des motifs linguistiques
complexes et cachés.
Un autre axe de recherche concerne l’amélioration des performances computationnelles du modèle.
L’utilisation de techniques de compression de modèles et de pruning pourrait rendre notre modèle plus
léger et plus rapide, ce qui est essentiel dans des situations de crise où le traitement de l’information en
temps réel est crucial. Cette amélioration permettrait d’intégrer le modèle dans des systèmes embarqués
ou des plateformes en ligne, où les ressources matérielles sont souvent limitées.
Enfin, un aspect clé des futurs travaux sera l’évaluation continue du modèle dans des scénarios réels,
notamment en collaboration avec des organisations spécialisées dans la gestion des crises ou la lutte
contre la désinformation. Cette évaluation sur le terrain fournirait des retours précieux sur l’efficacité du
modèle dans des environnements dynamiques et non contrôlés, conduisant à des ajustements et amélio-
rations supplémentaires. Par exemple, des tests sur des données liées aux catastrophes naturelles, comme
les séismes, ou à des événements politiques, permettraient d’évaluer la robustesse du modèle face aux
pressions du monde réel.
Les futurs travaux viseront à enrichir notre modèle en incorporant des données multimodales, en ex-
ploitant des modèles pré-entraînés pour la généralisation[235], et en améliorant les performances com-
putationnelles pour une application rapide dans des situations critiques. Ces avancées assureront une
détection plus précise, efficace et adaptée à la nature complexe et en constante évolution de la désinfor-
mation.
 138

Publications

Cette section présente les différentes contributions dans des revues internationales et des conférences
internationales. Les articles publiés dans des revues internationales sont le fruit des recherches présentées
dans cette thèse. Certaines des conférences internationales abordent des articles directement liés à cette
thèse, tandis que d’autres articles ont été publiés pendant la préparation de cette thèse dans le cadre
d’autres projets.

Revues Internationales
Nos contributions dans les revues internationales sont les suivantes :

— Ennejjai, I., Ariss, A., Mabrouki, J., Fouad, Y., Alabdultif, A., Chaganti, R., ... & Ziti, S. (2024).
An Artificial intelligence Approach to Fake News Detection in the Context of the Morocco Earth-
quake. Data and Metadata, 3, 377-377.
— Ennejjai, I., Ariss, A., Mabrouki, J., & Ziti, S. (2024). Enhancing Misinformation Detection Using
Long Short-Term Memory (LSTM) and Bidirectional LSTM (BiLSTM) with Word Embedding
Techniques. Discrete Mathematics, Algorithms and Applications.
— Ariss, A.,Ennejjai, I., Mabrouki, J., Lamjid, A., Kharmoum, N., & Ziti, S. (2024). Tracking Sys-
tem for Living Beings and Objects : Integration of Accessible Mathematical Contributions and
Graph Theory in Tracking System Design. Data and Metadata, 3, 376-376.
— Lamjid, A., Anass, A.,Ennejjai, I., Mabrouki, J., & Soumia, Z. (2024). Enhancing the hiring
process : A predictive system for soft skills assessment. Data and Metadata, 3, 387-387.

Conférences Internationales et Livres

Nos contributions dans les conférences internationales sont les suivantes :
— Lamjid, A., Ariss, Ennejjai, I., Mabrouki, J., Lamzouri, F. Z., & Ziti, S. (2024). Predictive Hiring
Micro Systems for Data Analysts Through Soft Skills Assessment. In Technical and Technological
Solutions Towards a Sustainable Society and Circular Economy (pp. 295-302). Cham : Springer
Nature Switzerland.
Publications 139

— Benchrifa, M., Mabrouki, J., Ariss, A., Ennejjai, I., Hmouni, D., & El-Moustaqim, K. (2024).
Study of the Physicochemical Properties of Lavender Essential Oil (Lavandula Stoechas). In Ad-
vanced Systems for Environmental Monitoring, IoT and the application of Artificial Intelligence
(pp. 329-341). Cham : Springer Nature Switzerland.
— Ennejjai, I., Ariss, A., Kharmoum, N., Rhalem, W., Ziti, S., & Ezziyyani, M. (2022, May). Arti-
ficial intelligence for fake news. In International Conference on Advanced Intelligent Systems for
Sustainable Development (pp. 77-91). Cham : Springer Nature Switzerland.
— Ariss, A.,Ennejjai, I., Kharmoum, N., Rhalem, W., Ziti, S., & Ezziyyani, M. (2022, May). Tra-
cking Methods : Comprehensive Vision and Multiple Approaches. In International Conference on
Advanced Intelligent Systems for Sustainable Development (pp. 40-54). Cham : Springer Nature
Switzerland.
 140

Bibliographie

[1] Priyanka Meel and Dinesh Kumar Vishwakarma. Fake news, rumor, information pollution in
social media and web : A contemporary survey of state-of-the-arts, challenges and opportunities.
Expert Systems with Applications, 153 :112986, 2020.

[2] Francois Chollet. Deep learning with Python. Simon and Schuster, 2021.

[3] Kumar Ajitesh. Different types of cnn architectures explained : Examples. [Link]
com/different-types-of-cnn-architectures-explained-examples/. Accessed on 6 Ja-
nuary 2024.

[4] Christopher Olah et al. Understanding lstm networks. 2015.

[5] Y. Verma. Complete guide to bidirectional lstm (with py-

thon codes). Available online : [Link]
complete-guide-to-bidirectional-lstm-with-python-codes/ (accessed on 6 January
2024), 2021.

[6] Zichao Yang, Diyi Yang, Chris Dyer, Xiaodong He, Alex Smola, and Eduard Hovy. Hierarchical
attention networks for document classification. In Proceedings of the 2016 conference of the North
American chapter of the association for computational linguistics : human language technologies,
pages 1480–1489, 2016.

[7] I. Ennejjai, S. I. El Ahrache, and B. Hassan. Fake news detection using deep learning. In 8th Inter-
national Conference on Innovation and New Trends in Information Technology (INNOVATIONS),
pages 1–8, 2020.

[8] Imane Ennejjai, Anass Ariss, Nassim Kharmoum, Wajih Rhalem, Soumia Ziti, and Mostafa Ez-
ziyyani. Artificial intelligence for fake news. In International Conference on Advanced Intelligent
Systems for Sustainable Development, pages 77–91. Springer, 2022.

[9] ITU Statistics. Available online : https ://www. itu. int/en/itu-d/statistics. Pages/stat/default. aspx
(accessed on 30 June 2021), 2020.

[10] Kai Shu, Amy Sliva, Suhang Wang, Jiliang Tang, and Huan Liu. Fake news detection on social
media : A data mining perspective. ACM SIGKDD explorations newsletter, 19(1) :22–36, 2017.
BIBLIOGRAPHIE 141

[11] William Scott Paka, Rachit Bansal, Abhay Kaushik, Shubhashis Sengupta, and Tanmoy Chakra-
borty. Cross-sean : A cross-stitch semi-supervised neural attention model for covid-19 fake news
detection. Applied Soft Computing, 107 :107393, 2021.

[12] Elio Masciari, Vincenzo Moscato, Antonio Picariello, and Giancarlo Sperlí. Detecting fake news
by image analysis. In Proceedings of the 24th symposium on international database engineering
& Applications, pages 1–5, 2020.

[13] Hunt Allcott and Matthew Gentzkow. Social media and fake news in the 2016 election. Journal
of economic perspectives, 31(2) :211–236, 2017.

[14] Galit Shmueli, Peter C Bruce, Inbal Yahav, Nitin R Patel, and Kenneth C Lichtendahl Jr. Data
mining for business analytics : concepts, techniques, and applications in R. John Wiley & Sons,
2017.

[15] Imane Ennejjai, Anass Ariss, Jamal Mabrouki, and Soumia Ziti. Enhancing misinformation de-
tection using long short-term memory (lstm) and bidirectional lstm (bilstm) with word embedding
techniques. Discrete Mathematics, Algorithms and Applications, 2024.

[16] Pummy Dhiman, Amandeep Kaur, Celestine Iwendi, and Senthil Kumar Mohan. A scientometric
analysis of deep learning approaches for detecting fake news. Electronics, 12(4) :948, 2023.

[17] Rubab Roshan, Irfan Ali Bhacho, and Sammer Zai. Comparative analysis of tf–idf and hashing
vectorizer for fake news detection in sindhi : A machine learning and deep learning approach.
Engineering Proceedings, 46(1) :5, 2023.

[18] Imane Ennejjai, Anass Ariss, Jamal Mabrouki, Yasser Fouad, Abdulatif Alabdultif, Rajasekhar
Chaganti, Karima Salah Eddine, Asmaa Lamjid, and Soumia Ziti. An artificial intelligence ap-
proach to fake news detection in the context of the morocco earthquake ; [un enfoque de inteligen-
cia artificial para la detección de noticias falsas en el contexto del terremoto de marruecos]. Data
and Metadata, 3, 2024. Cited by : 1 ; All Open Access, Hybrid Gold Open Access.

[19] Md Rafiqul Islam, Shaowu Liu, Xianzhi Wang, and Guandong Xu. Deep learning for misinforma-
tion detection on online social networks : a survey and new perspectives. Social Network Analysis
and Mining, 10(1) :82, 2020.

[20] Sarah A Alkhodair, Steven HH Ding, Benjamin CM Fung, and Junqiang Liu. Detecting brea-
king news rumors of emerging topics in social media. Information Processing & Management,
57(2) :102018, 2020.

[21] Bhavtosh Rath, Wei Gao, Jing Ma, and Jaideep Srivastava. Utilizing computational trust to iden-
tify rumor spreaders on twitter. Social Network Analysis and Mining, 8(1) :64, 2018.
BIBLIOGRAPHIE 142

[22] Abeer Aldayel and Walid Magdy. Your stance is exposed ! analysing possible factors for stance de-
tection on social media. Proceedings of the ACM on Human-Computer Interaction, 3(CSCW) :1–
20, 2019.

[23] Sawinder Kaur, Parteek Kumar, and Ponnurangam Kumaraguru. Automating fake news detection
system using multi-level voting model. Soft Computing, 24(12) :9049–9069, 2020.

[24] L John Martin. Disinformation : An instrumentality in the propaganda arsenal. Political Commu-
nication, 2(1) :47–64, 1982.

[25] Ladislav Bittman. The use of disinformation by democracies. International Journal of Intelligence
and Counter Intelligence, 4(2) :243–261, 1990.

[26] Claire Wardle et al. Fake news. it’s complicated. First draft, 16 :1–11, 2017.

[27] Martin Kragh and Sebastian Åsberg. Russia’s strategy for influence through public diplomacy and
active measures : the swedish case. Journal of Strategic Studies, 40(6) :773–816, 2017.

[28] Don Fallis. What is disinformation ? Library trends, 63(3) :401–426, 2015.

[29] Claire Wardle and Hossein Derakhshan. Information disorder : Toward an inter-
disciplinary framework for research and policy making. [Link]
information-disorder-toward-an-interdisciplinary-framework-forresearc/
168076277c, 2018. Accessed : 2024-08-02.

[30] Leonie Haiden, Chris McManus, Céline Michaud, Emma Duffy, Kulsoom Ranautta-Sambhi, and
Claire Ilbury. A Roadmap. NATO Strategic Communications Centre of Excellence, 2018.

[31] William Yang Wang. " liar, liar pants on fire" : A new benchmark dataset for fake news detection.
arXiv preprint arXiv :1705.00648, 2017.

[32] Sheng-Xuan Lin, Bo-Yi Wu, Tzu-Hsuan Chou, Ying-Jia Lin, and Hung-Yu Kao. Bidirectional
perspective with topic information for stance detection. In 2020 International Conference on
Pervasive Artificial Intelligence (ICPAI), pages 1–8. IEEE, 2020.

[33] Natali Ruchansky, Sungyong Seo, and Yan Liu. Csi : A hybrid deep model for fake news detection.
In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management,
pages 797–806, 2017.

[34] Samir Bajaj. The pope has a new baby ! Fake news detection using deep learning, pages 1–8,
2017.

[35] Eugenio Tacchini, Gabriele Ballarin, Marco L Della Vedova, Stefano Moret, and Luca De Al-
faro. Some like it hoax : Automated fake news detection in social networks. arXiv preprint
arXiv :1704.07506, 2017.
BIBLIOGRAPHIE 143

[36] Hadeer Ahmed, Issa Traore, and Sherif Saad. Detecting opinion spams and fake news using text
classification. Security and Privacy, 1(1) :e9, 2018.

[37] Aditi Gupta, Ponnurangam Kumaraguru, Carlos Castillo, and Patrick Meier. Tweetcred : Real-
time credibility assessment of content on twitter. In Social Informatics : 6th International Confe-
rence, SocInfo 2014, Barcelona, Spain, November 11-13, 2014. Proceedings 6, pages 228–243.
Springer, 2014.

[38] Svitlana Volkova, Kyle Shaffer, Jin Yea Jang, and Nathan Hodas. Separating facts from fiction :
Linguistic models to classify suspicious and trusted news posts on twitter. In Proceedings of the
55th Annual Meeting of the Association for Computational Linguistics (Volume 2 : Short Papers),
pages 647–653, 2017.

[39] Wei Wei and Xiaojun Wan. Learning to identify ambiguous and misleading news headlines. arXiv
preprint arXiv :1705.06031, 2017.

[40] Behzad Tabibian, Isabel Valera, Mehrdad Farajtabar, Le Song, Bernhard Schölkopf, and Ma-
nuel Gomez-Rodriguez. Distilling information reliability and source trustworthiness from digital
traces. In Proceedings of the 26th International Conference on World Wide Web, pages 847–855,
2017.

[41] Giovanni Luca Ciampaglia, Prashant Shiralkar, Luis M Rocha, Johan Bollen, Filippo Menczer,
and Alessandro Flammini. Computational fact checking from knowledge networks. PloS one,
10(6) :e0128193, 2015.

[42] Carlos Castillo, Marcelo Mendoza, and Barbara Poblete. Information credibility on twitter. In
Proceedings of the 20th international conference on World wide web, pages 675–684, 2011.

[43] Sejeong Kwon, Meeyoung Cha, and Kyomin Jung. Rumor detection over varying time windows.
PloS one, 12(1) :e0168344, 2017.

[44] Shu Wu, Qiang Liu, Yong Liu, Liang Wang, and Tieniu Tan. Information credibility evaluation on
social media. In Proceedings of the AAAI conference on artificial intelligence, volume 30, 2016.

[45] Mengchen Liu, Liu Jiang, Junlin Liu, Xiting Wang, Jun Zhu, and Shixia Liu. Improving learning-
from-crowds through expert validation. In IJCAI, pages 2329–2336, 2017.

[46] Sebastian Tschiatschek, Adish Singla, Manuel Gomez Rodriguez, Arpit Merchant, and Andreas
Krause. Fake news detection in social networks via crowd signals. In Companion proceedings of
the the web conference 2018, pages 517–524, 2018.

[47] Yang Liu and Yi-Fang Wu. Early detection of fake news on social media through propagation path
classification with recurrent and convolutional networks. In Proceedings of the AAAI conference
on artificial intelligence, volume 32, 2018.
BIBLIOGRAPHIE 144

[48] Jing Ma, Wei Gao, Prasenjit Mitra, Sejeong Kwon, Bernard J Jansen, Kam-Fai Wong, and
Meeyoung Cha. Detecting rumors from microblogs with recurrent neural networks. 2016.

[49] Sneha Singhania, Nigel Fernandez, and Shrisha Rao. 3han : A deep neural network for fake news
detection. In Neural Information Processing : 24th International Conference, ICONIP 2017,
Guangzhou, China, November 14-18, 2017, Proceedings, Part II 24, pages 572–581. Springer,
2017.

[50] Kashyap Popat, Subhabrata Mukherjee, Andrew Yates, and Gerhard Weikum. Declare : De-
bunking fake news and false claims using evidence-aware deep learning. arXiv preprint
arXiv :1809.06416, 2018.

[51] MARINOS ZAGKOTSIS. Fake news detection using deep learning and machine learning me-
thods. 2019.

[52] Mαρ ίνoς Πα ν́λ oυ Zαγκóτσ ης . Fake News Detection using Deep Learning and Machine
Learning Methods-A comparative study on short and long texts. PhD thesis, Aρισ τoτ έλ ειo
Πανεπισ τ ή µιo Θεσ σ αλ oν ίκης , 2019.

[53] Ali Bou Nassif, Ashraf Elnagar, Omar Elgendy, and Yaman Afadar. Arabic fake news detec-
tion based on deep contextualized embedding models. Neural Computing and Applications,
34(18) :16019–16032, 2022.

[54] Mohamed Osman Hegazi, Yasser Al-Dossari, Abdullah Al-Yahy, Abdulaziz Al-Sumari, and An-
wer Hilal. Preprocessing arabic text on social media. Heliyon, 7(2), 2021.

[55] Wesam Shishah. Jointbert for detecting arabic fake news. IEEE Access, 10 :71951–71960, 2022.

[56] SHAYMAA E Sorour and HANAN E Abdelkader. Afnd : Arabic fake news detection with an
ensemble deep cnn-lstm model. J. Theor. Appl. Inf. Technol, 100(14) :5072–5086, 2022.

[57] Samah M Alzanin, Aqil M Azmi, and Hatim A Aboalsamh. Short text classification for ara-
bic social media tweets. Journal of King Saud University-Computer and Information Sciences,
34(9) :6595–6604, 2022.

[58] Sebastian Kula, Michał Choraś, Rafał Kozik, Paweł Ksieniewicz, and Michał Woźniak. Sentiment
analysis for fake news detection by means of neural networks. In Computational Science–ICCS
2020 : 20th International Conference, Amsterdam, The Netherlands, June 3–5, 2020, Proceedings,
Part IV 20, pages 653–666. Springer, 2020.

[59] I Kadek Sastrawan, I Putu Agung Bayupati, and Dewa Made Sri Arsa. Detection of fake news
using deep learning cnn–rnn based methods. ICT express, 8(3) :396–408, 2022.
BIBLIOGRAPHIE 145

[60] Iftikhar Ahmad, Muhammad Yousaf, Suhail Yousaf, and Muhammad Ovais Ahmad. Fake news
detection using machine learning ensemble methods. Complexity, 2020 :1–11, 2020.

[61] Benjamin Horne and Sibel Adali. This just in : Fake news packs a lot in title, uses simpler, repeti-
tive content in text body, more similar to satire than real news. In Proceedings of the international
AAAI conference on web and social media, volume 11, pages 759–766, 2017.

[62] Xinyi Zhou and Reza Zafarani. A survey of fake news : Fundamental theories, detection methods,
and opportunities. ACM Computing Surveys (CSUR), 53(5) :1–40, 2020.

[63] Shuo Yang, Kai Shu, Suhang Wang, Renjie Gu, Fan Wu, and Huan Liu. Unsupervised fake news
detection on social media : A generative approach. In Proceedings of the AAAI conference on
artificial intelligence, volume 33, pages 5644–5651, 2019.

[64] Dun Li, Haimei Guo, Zhenfei Wang, and Zhiyun Zheng. Unsupervised fake news detection based
on autoencoder. IEEE access, 9 :29356–29365, 2021.

[65] Adrien Benamira, Benjamin Devillers, Etienne Lesot, Ayush K Ray, Manal Saadi, and Fragkis-
kos D Malliaros. Semi-supervised learning and graph neural networks for fake news detection.
In Proceedings of the 2019 IEEE/ACM International Conference on Advances in Social Networks
Analysis and Mining, pages 568–569, 2019.

[66] Md Saqib Hasan, Rukshar Alam, and Muhammad Abdullah Adnan. Truth or lie : Pre-emptive
detection of fake news in different languages through entropy-based active learning and multi-
model neural ensemble. In 2020 IEEE/ACM International Conference on Advances in Social
Networks Analysis and Mining (ASONAM), pages 55–59. IEEE, 2020.

[67] Yaqing Wang, Weifeng Yang, Fenglong Ma, Jin Xu, Bin Zhong, Qiang Deng, and Jing Gao.
Weak supervision for fake news detection via reinforcement learning. In Proceedings of the AAAI
conference on artificial intelligence, volume 34, pages 516–523, 2020.

[68] Martin Sarnovskỳ, Viera Maslej-Krešňáková, and Nikola Hrabovská. Annotated dataset for the
fake news classification in slovak language. In 2020 18th International Conference on Emerging
eLearning Technologies and Applications (ICETA), pages 574–579. IEEE, 2020.

[69] Pavel Přibáň, Tomáš Hercig, and Josef Steinberger. Machine learning approach to fact-checking
in west slavic languages. In Proceedings of the international conference on recent advances in
natural language processing (RANLP 2019), pages 973–979, 2019.

[70] Abhinav Kumar, Sunil Saumya, and Jyoti Prakash Singh. Nitp-ai-nlp@ urdufake-fire2020 : Multi-
layer dense neural network for fake news detection in urdu news articles. In FIRE (Working Notes),
pages 458–463, 2020.
BIBLIOGRAPHIE 146

[71] Maaz Amjad, Grigori Sidorov, and Alisa Zhila. Data augmentation using machine translation for
fake news detection in the urdu language. In Proceedings of the Twelfth Language Resources and
Evaluation Conference, pages 2537–2542, 2020.

[72] Maaz Amjad, Grigori Sidorov, Alisa Zhila, Alexander Gelbukh, and Paolo Rosso. Urdufake@
fire2020 : shared track on fake news identification in urdu. In Proceedings of the 12th Annual
Meeting of the Forum for Information Retrieval Evaluation, pages 37–40, 2020.

[73] Abhishek Verma, Vanshika Mittal, and Suma Dawn. Find : Fake information and news detections
using deep learning. In 2019 twelfth international conference on contemporary computing (IC3),
pages 1–7. IEEE, 2019.

[74] Alexandros Zervopoulos, Aikaterini Georgia Alvanou, Konstantinos Bezas, Asterios Papamichail,
Manolis Maragoudakis, and Katia Kermanidis. Hong kong protests : using natural language pro-
cessing for fake news detection on twitter. In Artificial Intelligence Applications and Innovations :
16th IFIP WG 12.5 International Conference, AIAI 2020, Neos Marmaras, Greece, June 5–7,
2020, Proceedings, Part II 16, pages 408–419. Springer, 2020.

[75] Xishuang Dong, Uboho Victor, and Lijun Qian. Two-path deep semisupervised learning for timely
fake news detection. IEEE Transactions on Computational Social Systems, 7(6) :1386–1398,
2020.

[76] Arkaitz Zubiaga, Elena Kochkina, Maria Liakata, Rob Procter, Michal Lukasik, Kalina Bont-
cheva, Trevor Cohn, and Isabelle Augenstein. Discourse-aware rumour stance classification in
social media using sequential classifiers. Information Processing & Management, 54(2) :273–
290, 2018.

[77] Soroush Vosoughi, Deb Roy, and Sinan Aral. The spread of true and false news online. science,
359(6380) :1146–1151, 2018.

[78] Julio CS Reis, André Correia, Fabrício Murai, Adriano Veloso, and Fabrício Benevenuto. Super-
vised learning for fake news detection. IEEE Intelligent Systems, 34(2) :76–81, 2019.

[79] Shlok Gilda. Notice of violation of ieee publication principles : Evaluating machine learning
algorithms for fake news detection. In 2017 IEEE 15th student conference on research and deve-
lopment (SCOReD), pages 110–115. IEEE, 2017.

[80] Georgios Gravanis, Athena Vakali, Konstantinos Diamantaras, and Panagiotis Karadais. Behind
the cues : A benchmarking study for fake news detection. Expert Systems with Applications,
128 :201–213, 2019.

[81] Amila Silva, Ling Luo, Shanika Karunasekera, and Christopher Leckie. Embracing domain diffe-
rences in fake news : Cross-domain fake news detection using multi-modal data. In Proceedings
of the AAAI conference on artificial intelligence, volume 35, pages 557–565, 2021.
BIBLIOGRAPHIE 147

[82] Chandra Mouli Madhav Kotteti, Xishuang Dong, Na Li, and Lijun Qian. Fake news detec-
tion enhancement with data imputation. In 2018 IEEE 16th Intl Conf on Dependable, Autono-
mic and Secure Computing, 16th Intl Conf on Pervasive Intelligence and Computing, 4th Intl
Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress
(DASC/PiCom/DataCom/CyberSciTech), pages 187–192. IEEE, 2018.

[83] Arvinder Pal Singh Bali, Mexson Fernandes, Sourabh Choubey, and Mahima Goel. Comparative
performance of machine learning algorithms for fake news detection. In Advances in Computing
and Data Sciences : Third International Conference, ICACDS 2019, Ghaziabad, India, April 12–
13, 2019, Revised Selected Papers, Part II 3, pages 420–430. Springer, 2019.

[84] Arush Agarwal and Akhil Dixit. Fake news detection : an ensemble learning approach. In 2020 4th
International Conference on Intelligent Computing and Control Systems (ICICCS), pages 1178–
1183. IEEE, 2020.

[85] Rohit Kumar Kaliyar, Anurag Goswami, Pratik Narang, and Soumendu Sinha. Fndnet–a deep
convolutional neural network for fake news detection. Cognitive Systems Research, 61 :32–44,
2020.

[86] Junxiao Xue, Yabo Wang, Shuning Xu, Lei Shi, Lin Wei, and Huawei Song. Mvfnn : Multi-
vision fusion neural network for fake news picture detection. In Computer Animation and Social
Agents : 33rd International Conference on Computer Animation and Social Agents, CASA 2020,
Bournemouth, UK, October 13-15, 2020, Proceedings 33, pages 112–119. Springer, 2020.

[87] Anoud Bani-Hani, Oluwasegun Adedugbe, Elhadj Benkhelifa, Munir Majdalawieh, and Feras Al-
Obeidat. A semantic model for context-based fake news detection on social media. In 2020
IEEE/ACS 17th International Conference on Computer Systems and Applications (AICCSA),
pages 1–7. IEEE, 2020.

[88] Marion Meyers, Gerhard Weiss, and Gerasimos Spanakis. Fake news detection on twitter using
propagation structures. In Disinformation in Open Online Media : Second Multidisciplinary In-
ternational Symposium, MISDOOM 2020, Leiden, The Netherlands, October 26–27, 2020, Pro-
ceedings 2, pages 138–158. Springer, 2020.

[89] Maria Nefeli Nikiforos, Spiridon Vergis, Andreana Stylidou, Nikolaos Augoustis, Katia Lida Ker-
manidis, and Manolis Maragoudakis. Fake news detection regarding the hong kong events from
tweets. In IFIP International Conference on Artificial Intelligence Applications and Innovations,
pages 177–186. Springer, 2020.

[90] Duc Minh Nguyen, Tien Huu Do, Robert Calderbank, and Nikos Deligiannis. Fake news detection
using deep markov random fields. In Proceedings of the 2019 Conference of the North Ameri-
can Chapter of the Association for Computational Linguistics : Human Language Technologies,
Volume 1 (Long and Short Papers), pages 1391–1400, 2019.
BIBLIOGRAPHIE 148

[91] Reza Mansouri, Mahmood Naderan-Tahan, and Mohammad Javad Rashti. A semi-supervised
learning method for fake news detection in social media. In 2020 28th Iranian Conference on
Electrical Engineering (ICEE), pages 1–5. IEEE, 2020.

[92] Alessandro Bondielli and Francesco Marcelloni. A survey on fake news and rumour detection
techniques. Information sciences, 497 :38–55, 2019.

[93] Hadeer Ahmed, Issa Traore, and Sherif Saad. Detection of online fake news using n-gram analysis
and machine learning techniques. In Intelligent, Secure, and Dependable Systems in Distributed
and Cloud Environments : First International Conference, ISDDC 2017, Vancouver, BC, Canada,
October 26-28, 2017, Proceedings 1, pages 127–138. Springer, 2017.

[94] N Smitha and R Bharath. Performance comparison of machine learning classifiers for fake news
detection. In 2020 Second international conference on inventive research in computing applica-
tions (ICIRCA), pages 696–700. IEEE, 2020.

[95] Shengsheng Qian, Jinguang Wang, Jun Hu, Quan Fang, and Changsheng Xu. Hierarchical multi-
modal contextual attention network for fake news detection. In Proceedings of the 44th internatio-
nal ACM SIGIR conference on research and development in information retrieval, pages 153–162,
2021.

[96] Karishnu Poddar, KS Umadevi, et al. Comparison of various machine learning models for accurate
detection of fake news. In 2019 Innovations in Power and Advanced Computing Technologies (i-
PACT), volume 1, pages 1–5. IEEE, 2019.

[97] Fantahun Bogale Gereme and William Zhu. Fighting fake news using deep learning : Pre-trained
word embeddings and the embedding layer investigated. In Proceedings of the 2020 3rd Interna-
tional Conference on Computational Intelligence and Intelligent Systems, pages 24–29, 2020.

[98] Harita Reddy, Namratha Raj, Manali Gala, and Annappa Basava. Text-mining-based fake
news detection using ensemble methods. International Journal of Automation and Computing,
17(2) :210–221, 2020.

[99] Adrian MP Braşoveanu and Răzvan Andonie. Semantic fake news detection : a machine learning
perspective. In Advances in Computational Intelligence : 15th International Work-Conference on
Artificial Neural Networks, IWANN 2019, Gran Canaria, Spain, June 12-14, 2019, Proceedings,
Part I 15, pages 656–667. Springer, 2019.

[100] Arjun Roy, Kingshuk Basak, Asif Ekbal, and Pushpak Bhattacharyya. A deep ensemble frame-
work for fake news detection and classification. arXiv preprint arXiv :1811.04670, 2018.

[101] Pritika Bahad, Preeti Saxena, and Raj Kamal. Fake news detection using bi-directional lstm-
recurrent neural network. Procedia Computer Science, 165 :74–82, 2019.
BIBLIOGRAPHIE 149

[102] Ayat Abedalla, Aisha Al-Sadi, and Malak Abdullah. A closer look at fake news detection : A deep
learning perspective. In Proceedings of the 3rd International Conference on Advances in Artificial
Intelligence, pages 24–28, 2019.

[103] Wissam Antoun, Fady Baly, Rim Achour, Amir Hussein, and Hazem Hajj. State of the art models
for fake news detection tasks. In 2020 IEEE international conference on informatics, IoT, and
enabling technologies (ICIoT), pages 519–524. IEEE, 2020.

[104] Zellig S Harris. Distributional structure. Word, 10(2-3) :146–162, 1954.

[105] Gerardo Ernesto Rolong Agudelo, Octavio José Salcedo Parra, and Julio Barón Velandia. Raising
a model for fake news detection using machine learning in python. In Challenges and Opportuni-
ties in the Digital Era : 17th IFIP WG 6.11 Conference on e-Business, e-Services, and e-Society,
I3E 2018, Kuwait City, Kuwait, October 30–November 1, 2018, Proceedings 17, pages 596–604.
Springer, 2018.

[106] Vasu Agarwal, H Parveen Sultana, Srijan Malhotra, and Amitrajit Sarkar. Analysis of classifiers
for fake news detection. Procedia Computer Science, 165 :377–383, 2019.

[107] Paweł Ksieniewicz, Michał Choraś, Rafał Kozik, and Michał Woźniak. Machine learning methods
for fake news classification. In Intelligent Data Engineering and Automated Learning–IDEAL
2019 : 20th International Conference, Manchester, UK, November 14–16, 2019, Proceedings,
Part II 20, pages 332–339. Springer, 2019.

[108] Yin Zhang, Rong Jin, and Zhi-Hua Zhou. Understanding bag-of-words model : a statistical fra-
mework. Int. J. Mach. Learn. Cybern., 1(1-4) :43–52, December 2010.

[109] Bashar Al Asaad and Madalina Erascu. A tool for fake news detection. In 2018 20th International
Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), pages 379–
386. IEEE, 2018.

[110] Julio CS Reis, André Correia, Fabrício Murai, Adriano Veloso, and Fabrício Benevenuto. Explai-
nable machine learning for fake news detection. In Proceedings of the 10th ACM conference on
web science, pages 17–26, 2019.

[111] Rohit Kumar Kaliyar, Anurag Goswami, and Pratik Narang. Multiclass fake news detection using
ensemble machine learning. In 2019 IEEE 9th international conference on advanced computing
(IACC), pages 103–107. IEEE, 2019.

[112] Yoshua Bengio, Réjean Ducharme, and Pascal Vincent. A neural probabilistic language model.
Advances in neural information processing systems, 13, 2000.

[113] Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean. Efficient estimation of word repre-
sentations in vector space. arXiv preprint arXiv :1301.3781, 2013.
BIBLIOGRAPHIE 150

[114] Jeffrey Pennington, Richard Socher, and Christopher D Manning. Glove : Global vectors for word
representation. In Proceedings of the 2014 conference on empirical methods in natural language
processing (EMNLP), pages 1532–1543, 2014.

[115] Piotr Bojanowski, Edouard Grave, Armand Joulin, and Tomas Mikolov. Enriching word vectors
with subword information. Transactions of the association for computational linguistics, 5 :135–
146, 2017.

[116] Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. Bert : Pre-training of deep
bidirectional transformers for language understanding. arXiv preprint arXiv :1810.04805, 2018.

[117] Victor Sanh, Lysandre Debut, Julien Chaumond, and Thomas Wolf. Distilbert, a distilled version
of bert : smaller, faster, cheaper and lighter. arXiv preprint arXiv :1910.01108, 2019.

[118] Yinhan Liu, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy, Mike
Lewis, Luke Zettlemoyer, and Veselin Stoyanov. Roberta : A robustly optimized bert pretraining
approach. arXiv preprint arXiv :1907.11692, 2019.

[119] Mike Lewis, Yinhan Liu, Naman Goyal, Marjan Ghazvininejad, Abdelrahman Mohamed,
Omer Levy, Ves Stoyanov, and Luke Zettlemoyer. Bart : Denoising sequence-to-sequence
pre-training for natural language generation, translation, and comprehension. arXiv preprint
arXiv :1910.13461, 2019.

[120] Kevin Clark, Minh-Thang Luong, Quoc V Le, and Christopher D Manning. Electra : Pre-training
text encoders as discriminators rather than generators. arXiv preprint arXiv :2003.10555, 2020.

[121] Zhilin Yang, Zihang Dai, Yiming Yang, Jaime Carbonell, Russ R Salakhutdinov, and Quoc V Le.
Xlnet : Generalized autoregressive pretraining for language understanding. Advances in neural
information processing systems, 32, 2019.

[122] Alec Radford, Jeffrey Wu, Rewon Child, David Luan, Dario Amodei, Ilya Sutskever, et al. Lan-
guage models are unsupervised multitask learners. OpenAI blog, 1(8) :9, 2019.

[123] Antoine Louis et al. Master’s thesis : Netbert : A pre-trained language representation model for
computer networking. 2020.

[124] Zhenzhong Lan, Mingda Chen, Sebastian Goodman, Kevin Gimpel, Piyush Sharma, and Radu
Soricut. Albert : A lite bert for self-supervised learning of language representations. arXiv preprint
arXiv :1909.11942, 2019.

[125] Rohit Kumar Kaliyar. Fake news detection using a deep neural network. In 2018 4th international
conference on computing communication and automation (ICCCA), pages 1–7. IEEE, 2018.
BIBLIOGRAPHIE 151

[126] Ehesas Mia Mahir, Saima Akhter, Mohammad Rezwanul Huq, et al. Detecting fake news using
machine learning and deep learning algorithms. In 2019 7th international conference on smart
computing & communications (ICSCC), pages 1–5. IEEE, 2019.

[127] Gaurav Bhatt, Aman Sharma, Shivam Sharma, Ankush Nagpal, Balasubramanian Raman, and
Ankush Mittal. Combining neural, statistical and external features for fake news stance identifi-
cation. In Companion Proceedings of the The Web Conference 2018, pages 1353–1357, 2018.

[128] Aswini Thota, Priyanka Tilak, Simrat Ahluwalia, and Nibrat Lohia. Fake news detection : a deep
learning approach. SMU Data Science Review, 1(3) :10, 2018.

[129] Muhammad Umer, Zainab Imtiaz, Saleem Ullah, Arif Mehmood, Gyu Sang Choi, and Byung-
Won On. Fake news stance detection using deep learning architecture (cnn-lstm). IEEE Access,
8 :156695–156706, 2020.

[130] Saarthak Sangamnerkar, R Srinivasan, MR Christhuraj, and Rajeev Sukumaran. An ensemble

technique to detect fabricated news article using machine learning and natural language processing
techniques. In 2020 International Conference for Emerging Technology (INCET), pages 1–7.
IEEE, 2020.

[131] Stefan Helmstetter and Heiko Paulheim. Weakly supervised learning for fake news detection on
twitter. In 2018 IEEE/ACM International Conference on Advances in Social Networks Analysis
and Mining (ASONAM), pages 274–277. IEEE, 2018.

[132] Amir Pouran Ben Veyseh, My T Thai, Thien Huu Nguyen, and Dejing Dou. Rumor detection in
social networks via deep contextual modeling. In Proceedings of the 2019 IEEE/ACM internatio-
nal conference on advances in social networks analysis and mining, pages 113–120, 2019.

[133] Sebastian Kula, Michał Choraś, and Rafał Kozik. Application of the bert-based architecture in
fake news detection. In 13th International Conference on Computational Intelligence in Security
for Information Systems (CISIS 2020) 12, pages 239–249. Springer, 2021.

[134] Divyam Mehta, Aniket Dwivedi, Arunabha Patra, and M Anand Kumar. A transformer-based
architecture for fake news classification. Social network analysis and mining, 11 :1–12, 2021.

[135] Sherry Girgis, Eslam Amer, and Mahmoud Gadallah. Deep learning algorithms for detecting fake
news in online text. In 2018 13th international conference on computer engineering and systems
(ICCES), pages 93–97. IEEE, 2018.

[136] Manoj Kumar Balwant. Bidirectional lstm based on pos tags and cnn architecture for fake news
detection. In 2019 10th International conference on computing, communication and networking
technologies (ICCCNT), pages 1–6. IEEE, 2019.
BIBLIOGRAPHIE 152

[137] Vladimir Vapnik. The nature of statistical learning theory. Springer science & business media,
2013.

[138] Vladimir Vapnik. Support-vector networks. Machine learning, 20 :273–297, 1995.

[139] Anmol Uppal, Vipul Sachdeva, and Seema Sharma. Fake news detection using discourse segment
structure analysis. In 2020 10th International Conference on Cloud Computing, Data Science &
Engineering (Confluence), pages 751–756. IEEE, 2020.

[140] Ludmila I Kuncheva. Combining pattern classifiers : methods and algorithms. John Wiley &
Sons, 2014.

[141] Hnin Ei Wynne and Zar Zar Wint. Content based fake news detection using n-gram models.
In Proceedings of the 21st international conference on information integration and web-based
applications & services, pages 669–673, 2019.

[142] Leo Breiman. Random forests. Machine learning, 45 :5–32, 2001.

[143] Yoav Freund, Robert E Schapire, et al. Experiments with a new boosting algorithm. In icml,
volume 96, pages 148–156. Citeseer, 1996.

[144] Baida Abdulredha Hamdan. Neural network principles and its application. Webology,
19(1) :3955–3970, 2022.

[145] Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. Bert : Pre-training of deep
bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of
the North American Chapter of the Association for Computational Linguistics : Human Language
Technologies, Volume 1 (Long and Short Papers), pages 4171–4186, 2019.

[146] Alec Radford, Jeffrey Wu, Rewon Child, David Luan, Dario Amodei, and Ilya Sutskever. Lan-
guage models are unsupervised multitask learners. OpenAI Blog, 1(8), 2019.

[147] S. Huang, Y. Xu, X. Liu, and M. Sun. Dual-channel convolutional neural network with attention
mechanism for sentiment analysis. In Proceedings of the 56th Annual Meeting of the Association
for Computational Linguistics (Volume 1 : Long Papers), pages 1434–1443, 2018.

[148] X. Qiu, Y. Tang, and Y. Song. A bi-lstm-based recognition system for handwritten character
recognition. In International Conference on Computer Science, Engineering and Applications,
pages 437–444. Springer, 2020.

[149] A. Arora, P. Saxena, and N. Kaur. Fake news detection using part-of-speech based convolutional
neural networks. International Journal of Intelligent Systems and Applications, 12(6) :1–7, 2020.
BIBLIOGRAPHIE 153

[150] Jamal Nasir, Osama Khan, and Iraklis Varlamis. Fake news detection : A hybrid cnn-rnn ba-
sed deep learning approach. International Journal of Information Management Data Insights,
1 :100007, 2021.

[151] Te Han et al. A novel adversarial learning framework in deep convolutional neural network for
intelligent diagnosis of mechanical faults. Knowledge-based systems, 165 :474–487, 2019.

[152] Ye Zhang and Byron Wallace. A sensitivity analysis of (and practitioners’ guide to) convolutional
neural networks for sentence classification. arXiv preprint arXiv :1510.03820, 2015.

[153] Z. Yang, Y. Zhang, and C. Sun. Detecting fake news headlines with convolutional neural networks.
Information Processing Management, 57(1) :102200, 2020.

[154] T. Wang, H. Huang, J. Liu, and Y. Yang. Detecting fake reviews with convolutional neural net-
works and linguistic features. IEEE Access, 9 :39532–39542, 2021.

[155] Y. Kim. Convolutional neural networks for sentence classification. In Proceedings of the Confe-
rence on Empirical Methods in Natural Language Processing (EMNLP), 2014.

[156] X. Ma, Y. Zhou, Z. Li, and M. Lyu. Detect rumors in microblog posts using propagation structure
via kernel learning. In AAAI Conference on Artificial Intelligence, 2018.

[157] K. Yang and J. Qiu. Multi-channel convolutional neural networks for fake news detection. In
Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages
1952–1962, 2019.

[158] W. Wang, X. Wang, Y. Li, and W. Zhou. A hybrid model combining cnn and bi-lstm for fake news
detection. IEEE Access, 8 :95006–95017, 2020.

[159] S. Ghosh, S. Singhal, and R. R. Shah. Exploring the use of multimodal features and cnns for
fake news detection. In Proceedings of the 2021 6th International Conference on Computing,
Communication and Networking Technologies (ICCCNT), pages 1–7, 2021.

[160] J. Wang, Y. Li, J. Li, and Y. Li. Fake news detection via hierarchical convolutional neural networks
with attention. IEEE Access, 9 :54415–54425, 2021.

[161] Aiquan Yuan, Gang Bai, Po Yang, Yanni Guo, and Xinting Zhao. Handwritten english word
recognition based on convolutional neural networks. In 2012 international conference on frontiers
in handwriting recognition, pages 207–212. IEEE, 2012.

[162] Attar Ahmed Ali and et al. Linguistic features and bi-lstm for identification of fake news. Elec-
tronics, 12(13) :2942, 2023.

[163] William Yang Wang. "liar, liar pants on fire" : A new benchmark dataset for fake news detection.
arXiv preprint, 2017.
BIBLIOGRAPHIE 154

[164] Federico Monti and et al. Fake news detection on social media using geometric deep learning.
arXiv preprint, 2019.

[165] P. Jia, Y. Du, J. Hu, H. Li, X. Li, and X. Chen. An improved bilstm approach for user stance detec-
tion based on external commonsense knowledge and environment information. Applied Sciences,
12(21) :10968, 2022.

[166] C. Tan, L. Lee, and B. Pang. Bilstm with attention for detecting fake news. In Proceedings of the
27th International Conference on Computational Linguistics, pages 3391–3401. Association for
Computational Linguistics, 2019.

[167] K. Shu, D. Mahudeswaran, S. Wang, D. Lee, and H. Liu. Beyond news contents : The role of
social context for fake news detection. In Proceedings of the 2019 World Wide Web Conference,
pages 2495–2501. ACM, 2019.

[168] X. Feng, W. Yu, Z. Ye, and Y. Liu. Fake news detection based on bidirectional lstm with graph
attention. Journal of Intelligent Fuzzy Systems, 40(2) :1897–1908, 2021.

[169] A. Carrillo, L. F. Cantú, L. Tejerina, and A. Noriega. Individual explanations in machine learning
models : A case study on poverty estimation, 2021. arXiv preprint.

[170] K. Ropiak and P. Artiemjew. On a hybridization of deep learning and rough set based granular
computing. Algorithms, 13(3) :63, 2020.

[171] F. K. De-La-Cruz-Arcela, J. S. Martinez-Castillo, E. Altamirano-Flores, and J. C. Alvarez-Merino.

Application of lean manufacturing tools to reduce downtime in a small metalworking facility. In
2019 IEEE International Conference on Industrial Engineering and Engineering Management
(IEEM), pages 551–555, 2019.

[172] Feng QIAN and et al. Neural user response generator : Fake news detection with collective user
intelligence. In IJCAI, pages 3834–3840, 2018.

[173] Y. Chen, J. Xiang, J. Zhang, Y. Zhang, and X. Huang. Multi-task learning based bidirectional lstm
for detecting stance and veracity of news. Knowledge-Based Systems, 236 :107156, 2022.

[174] Z. Sun, Y. Li, X. Liu, and Y. Sun. Handwritten english word recognition based on deep learning.
Journal of Intelligent Fuzzy Systems, 35(2) :2397–2406, 2018.

[175] Alexis Conneau, Holger Schwenk, Loïc Barrault, and Yann Lecun. Very deep convolutional net-
works for text classification. arXiv preprint arXiv :1606.01781, 2016.

[176] Yahui Chen. Convolutional neural network for sentence classification. Master’s thesis, University
of Waterloo, 2015.
BIBLIOGRAPHIE 155

[177] Duyu Tang, Bing Qin, and Ting Liu. Document modeling with gated recurrent neural network for
sentiment classification. In Proceedings of the 2015 conference on empirical methods in natural
language processing, pages 1422–1432, 2015.

[178] Junyoung Chung, Caglar Gulcehre, KyungHyun Cho, and Yoshua Bengio. Empirical evaluation
of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv :1412.3555, 2014.

[179] Xiaoru Wang, Bing Ma, Zhihong Yu, Fu Li, and Yali Cai. Multi-scale decision network with
feature fusion and weighting for few-shot learning. IEEE Access, 8 :92172–92181, 2020.

[180] Shiwen Ni, Jiawen Li, and Hung-Yu Kao. Mvan : Multi-view attention networks for fake news
detection on social media. IEEE Access, 9 :106907–106917, 2021.

[181] Lu Yuan, Hangshun Jiang, Hao Shen, Lei Shi, and Nanchang Cheng. Sustainable development
of information dissemination : A review of current fake news detection research and practice.
Systems, 11(9) :458, 2023.

[182] GK Kharate et al. A review : Fake news detection using hierarchical attention network and hyper-
graph attention. International Journal of Computing and Digital Systems, 14(1) :1–xx, 2023.

[183] Jungseok Hong. Toward Robotic Autonomy in Data-Scarce and Visually Challenging Environ-
ments. PhD thesis, University of Minnesota, 2023.

[184] Yang Wu, Pengwei Zhan, Yunjian Zhang, Liming Wang, and Zhen Xu. Multimodal fusion with
co-attention networks for fake news detection. In Findings of the association for computational
linguistics : ACL-IJCNLP 2021, pages 2560–2569, 2021.

[185] Qian Li, Qingyuan Hu, Youshui Lu, Yue Yang, and Jingxian Cheng. Multi-level word features
based on cnn for fake news detection in cultural communication. Personal and Ubiquitous Com-
puting, 24 :259–272, 2020.

[186] Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.

[187] Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep Learning. MIT Press, 2016.

[188] Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. Deep learning. Nature, 521(7553) :436–444,
2015.

[189] Xavier Glorot and Yoshua Bengio. Understanding the difficulty of training deep feedforward neu-
ral networks. In Proceedings of the Thirteenth International Conference on Artificial Intelligence
and Statistics (AISTATS), pages 249–256, 2010.

[190] Michael Nielsen. Neural Networks and Deep Learning. Determination Press, 2015.
BIBLIOGRAPHIE 156

[191] David E. Rumelhart, Geoffrey E. Hinton, and Ronald J. Williams. Learning representations by
back-propagating errors. Nature, 323(6088) :533–536, 1986.

[192] Sepp Hochreiter and Jürgen Schmidhuber. Long short-term memory. Neural computation,
9(8) :1735–1780, 1997.

[193] Yoshua Bengio, Patrice Simard, and Paolo Frasconi. Learning long-term dependencies with gra-
dient descent is difficult. IEEE transactions on neural networks, 5(2) :157–166, 1994.

[194] Boris Hanin. Which neural net architectures give rise to exploding and vanishing gradients ?
Advances in neural information processing systems, 31, 2018.

[195] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Delving deep into rectifiers : Surpas-
sing human-level performance on imagenet classification. In Proceedings of the IEEE internatio-
nal conference on computer vision, pages 1026–1034, 2015.

[196] Alex Krizhevsky, Ilya Sutskever, and Geoffrey E Hinton. Imagenet classification with deep convo-
lutional neural networks. Advances in neural information processing systems, 25, 2012.

[197] PolitiFact. [Link], 2023. Accessed : 2023-07-22.

[198] Parth Patwa, Shivam Sharma, Srinivas Pykl, Vineeth Guptha, Gitanjali Kumari, Md Shad Akhtar,
Asif Ekbal, Amitava Das, and Tanmoy Chakraborty. Fighting an infodemic : Covid-19 fake news
dataset. In Combating Online Hostile Posts in Regional Languages during Emergency Situation :
First International Workshop, CONSTRAINT 2021, Collocated with AAAI 2021, Virtual Event,
February 8, 2021, Revised Selected Papers 1, pages 21–29. Springer, 2021.

[199] Yin-Fu Huang and Po-Hong Chen. Fake news detection using an ensemble learning model based
on self-adaptive harmony search algorithms. Expert Systems with Applications, 159 :113584,
2020.

[200] Yong Fang, Jian Gao, Cheng Huang, Hua Peng, and Runpu Wu. Self multi-head attention-based
convolutional neural networks for fake news detection. PloS one, 14(9) :e0222713, 2019.

[201] Xishuang Dong, Uboho Victor, Shanta Chowdhury, and Lijun Qian. Deep two-path semi-
supervised learning for fake news detection. arXiv preprint arXiv :1906.05659, 2019.

[202] Dhruv Khattar, Jaipal Singh Goud, Manish Gupta, and Vasudeva Varma. Mvae : Multimodal
variational autoencoder for fake news detection. In The world wide web conference, pages 2915–
2921, 2019.

[203] Xueyao Zhang, Juan Cao, Xirong Li, Qiang Sheng, Lei Zhong, and Kai Shu. Mining dual emotion
for fake news detection. In Proceedings of the web conference 2021, pages 3465–3476, 2021.
BIBLIOGRAPHIE 157

[204] Lianwei Wu and Yuan Rao. Adaptive interaction fusion networks for fake news detection. In
ECAI 2020, pages 2220–2227. IOS Press, 2020.

[205] Xinyi Zhou, Jindi Wu, and Reza Zafarani. : Similarity-aware multi-modal fake news detection.
In Pacific-Asia Conference on knowledge discovery and data mining, pages 354–367. Springer,
2020.

[206] Stephane Schwarz, Antônio Theóphilo, and Anderson Rocha. Emet : Embeddings from
multilingual-encoder transformer for fake news detection. In ICASSP 2020-2020 IEEE Inter-
national Conference on Acoustics, Speech and Signal Processing (ICASSP), pages 2777–2781.
IEEE, 2020.

[207] Junaed Younus Khan, Md. Tawkat Islam Khondaker, Anindya Iqbal, and Sadia Afroz. A bench-
mark study on machine learning methods for fake news detection, 05 2019.

[208] John Houvardas and Efstathios Stamatatos. N-gram feature selection for authorship identification.
In International conference on artificial intelligence : Methodology, systems, and applications,
pages 77–86. Springer, 2006.

[209] Gerard Salton. Introduction to modern information retrieval. McGraw-Hill, 1983.

[210] Hinrich Schütze, Christopher D Manning, and Prabhakar Raghavan. Introduction to information
retrieval, volume 39. Cambridge University Press Cambridge, 2008.

[211] Yang Yang, Lei Zheng, Jiawei Zhang, Qingcai Cui, Zhoujun Li, and Philip S Yu. Ti-cnn : Convo-
lutional neural networks for fake news detection. arXiv preprint arXiv :1806.00749, 2018.

[212] David Karger, Sewoong Oh, and Devavrat Shah. Iterative learning for reliable crowdsourcing
systems. Advances in neural information processing systems, 24, 2011.

[213] Israel Barrutia-Barreto, Renzo Seminario-Córdova, and Brian Chero-Arana. Fake news detection
in internet using deep learning : a review. Combating Fake News with Computational Intelligence
Techniques, pages 55–67, 2022.

[214] Shlok Gilda. Notice of violation of ieee publication principles : Evaluating machine learning
algorithms for fake news detection. In 2017 IEEE 15th Student Conference on Research and
Development (SCOReD), pages 110–115, 2017.

[215] Maialen Berrondo-Otermin and Antonio Sarasa-Cabezuelo. Application of artificial intelligence

techniques to detect fake news : A review. Electronics, 12(24) :5041, 2023.

[216] Yann LeCun, Léon Bottou, Yoshua Bengio, and Patrick Haffner. Gradient-based learning applied
to document recognition. Proceedings of the IEEE, 86(11) :2278–2324, 1998.
BIBLIOGRAPHIE 158

[217] Alex Graves, Marcus Liwicki, Santiago Fernández, Roman Bertolami, Horst Bunke, and Jürgen
Schmidhuber. A novel connectionist system for unconstrained handwriting recognition. IEEE
transactions on pattern analysis and machine intelligence, 31(5) :855–868, 2008.

[218] Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio. Neural machine translation by jointly
learning to align and translate. arXiv preprint arXiv :1409.0473, 2014.

[219] Ashish Vaswani. Attention is all you need. arXiv preprint arXiv :1706.03762, 2017.

[220] Li-Chen Cheng, Yan Tsang Wu, Cheng-Ting Chao, and Jenq-Haur Wang. Detecting fake revie-
wers from the social context with a graph neural network method. Decision Support Systems,
179 :114150, 2024.

[221] Francisco-Javier Rodrigo-Ginés, Jorge Carrillo-de Albornoz, and Laura Plaza. A systematic re-
view on media bias detection : What is media bias, how it is expressed, and how to detect it.
Expert Systems with Applications, page 121641, 2023.

[222] Selin Gurgun, Deniz Cemiloglu, Emily Arden Close, Keith Phalp, Preslav Nakov, and Raian Ali.
Why do we not stand up to misinformation ? factors influencing the likelihood of challenging
misinformation on social media and the role of demographics. Technology in Society, 76 :102444,
2024.

[223] Zhiguo Qu, Yunyi Meng, Ghulam Muhammad, and Prayag Tiwari. Qmfnd : A quantum multimo-
dal fusion-based fake news detection model for social media. Information Fusion, 104 :102172,
2024.

[224] Eduri Raja, Badal Soni, Candy Lalrempuii, and Samir Kumar Borgohain. An adaptive cyclical
learning rate based hybrid model for dravidian fake news detection. Expert Systems with Applica-
tions, 241 :122768, 2024.

[225] Jamal Abdul Nasir, Osama Subhani Khan, and Iraklis Varlamis. Fake news detection : A hybrid
cnn-rnn based deep learning approach. International Journal of Information Management Data
Insights, 1(1) :100007, 2021.

[226] Liang Kuang, Yiting Wang, Tian Hang, Beijing Chen, and Guoying Zhao. A dual-branch neural
network for deepfake video detection by detecting spatial and temporal inconsistencies. Multime-
dia Tools and Applications, 81(29) :42591–42606, 2022.

[227] Abdul Samad, Namrata Dhanda, and Rajat Verma. Fake news detection using machine learning.
In International Conference on Artificial Intelligence of Things, pages 228–243. Springer, 2023.

[228] Ciprian-Octavian Truică and Elena-Simona Apostol. It’s all in the embedding ! fake news detec-
tion using document embeddings. Mathematics, 11(3) :508, 2023.
BIBLIOGRAPHIE 159

[229] Dilip Kumar Sharma and Sonal Garg. Ifnd : a benchmark dataset for fake news detection. Complex
& intelligent systems, 9(3) :2843–2863, 2023.

[230] Yuxiang Wang, Yongheng Zhang, Xuebo Li, and Xinyao Yu. Covid-19 fake news detection
using bidirectional encoder representations from transformers based models. arXiv preprint
arXiv :2109.14816, 2021.

[231] Huosong Xia, Yuan Wang, Justin Zuopeng Zhang, Leven J Zheng, Muhammad Mustafa Kamal,
and Varsha Arya. Covid-19 fake news detection : A hybrid cnn-bilstm-am model. Technological
Forecasting and Social Change, 195 :122746, 2023.

[232] Kate Starbird, Jim Maddock, Mania Orand, Peg Achterman, and Robert M Mason. Rumors, false
flags, and digital vigilantes : Misinformation on twitter after the 2013 boston marathon bombing.
IConference 2014 proceedings, 2014.

[233] Sinno Jialin Pan and Qiang Yang. A survey on transfer learning. IEEE Transactions on knowledge
and data engineering, 22(10) :1345–1359, 2009.

[234] ISOT Research Lab. Fake news detection datasets, 2022. Consulté le 23 novembre 2024.

[235] Raghu Raman, Vinith Kumar Nair, Prema Nedungadi, Aditya Kumar Sahu, Robin Kowalski, Sa-
sangan Ramanathan, and Krishnashree Achuthan. Fake news research trends, linkages to genera-
tive artificial intelligence and sustainable development goals. Heliyon, 10(3), 2024.
 CENTRE D’ÉTUDES DOCTORALES - SCIENCES ET TECHNOLOGIES

Résume
Grâce à l'évolution rapide et à la popularité d'Internet, la diffusion de l'information est devenue beaucoup plus
simple et immédiate. En plus de faciliter la vie, cette technologie a également contribué à la propagation de
fausses informations, ce qui a eu des conséquences néfastes considérables pour les pays, les sociétés et les
individus. Pour faire face à ce phénomène, de nombreuses études ont été menées pour détecter les fausses
informations.
On a exploré différentes perspectives sur la détection automatique des fausses nouvelles, en utilisant différents
modèles d'extraction de caractéristiques et de classification. Toutefois, les tests empiriques, les classifications et
les comparaisons des techniques existantes demeurent encore restreintes.
Cette thèse réexamine les définitions et les perspectives des fausses nouvelles et propose une classification
actualisée du domaine, basée sur divers critères.
En outre, nous réalisons une étude empirique approfondie afin d'évaluer différentes méthodes de représentation
des caractéristiques et des méthodes de classification, en nous appuyant sur la précision et le coût de la
computation. Selon nos expériences, il est démontré que les méthodes d'extraction des caractéristiques optimales
diffèrent en fonction des particularités des jeux de données. La combinaison de couches CNN résiduelles
multiscales et BiLSTM dans le modèle hybride proposé se révèle particulièrement performante pour détecter les
dépendances locales et globales dans les données textuelles. Le modèle peut extraire des caractéristiques à
divers niveaux de granularité grâce à l'architecture multiscale, tandis que la couche BiLSTM capture les
dépendances à long terme et les informations contextuelles.

Mots-clefs (5) : Fausses nouvelles,Traitement de texte,Traitement du langage naturel,Algorithmes d'apprentissage,Architecture

de réseau

Abstract
With the rapid evolution and popularity of the Internet, the dissemination of information has become much
simpler and more immediate. In addition to making life easier, this technology has also contributed to the spread
of false information, which has had significant negative consequences for countries, societies, and individuals.
To address this phenomenon, numerous studies have been conducted to detect false information.
Various perspectives on automatic fake news detection have been explored, using different feature extraction
and classification models. However, empirical testing, classification, and comparison of existing techniques
remain limited.
This thesis reexamines the definitions and perspectives of fake news and proposes an updated classification of
the field, based on various criteria.
Furthermore, we conduct an in-depth empirical study to evaluate different feature representation methods and
classification techniques, focusing on accuracy and computational cost. Our experiments demonstrate that
optimal feature extraction methods vary depending on the specifics of the datasets. The combination of
multiscale residual CNN layers and BiLSTM in the proposed hybrid model proves particularly effective for
detecting both local and global dependencies in textual data. The model can extract features at various levels of
granularity due to its multiscale architecture, while the BiLSTM layer captures long-term dependencies and
contextual information.

Keywords (5) : Fake news , Text processing Natural language processing, Learning algorithms; Network architecture.

 Faculté des Sciences, avenue Ibn Battouta, BP. 1014 RP, Rabat –Maroc
 00212 (05) 37 77 18 76  00212(05) 37 77 42 61; [Link] [Link]