arbeiten:fake_news_in_social_traditional_media_in_the_context_of_covid-19

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

Link zu dieser Vergleichsansicht

Nächste Überarbeitung		 Vorhergehende Überarbeitung
arbeiten:fake_news_in_social_traditional_media_in_the_context_of_covid-19 [09.11.2020 17:35] – Erstellt mit dem Formular arbeiten:anlegen Christian Wolffarbeiten:fake_news_in_social_traditional_media_in_the_context_of_covid-19 [08.03.2022 08:09] (aktuell) – [Data-Entry] Alexander Bazo
Zeile 1: Zeile 1:
-====== Fake news in social & traditional media in the context of COVID-19 ======+====== Identifying Fake news in social & traditional media ======
  
 ---- dataentry StudentischeArbeit ---- ---- dataentry StudentischeArbeit ----
-Thema                       : Fake news in social & traditional media in the context of COVID-19 +Thema                                  : Exploring automatic text summarizationfor Fake News detection #  
-Art_thesistypes             : MA +Art_thesistypes                        : MA #  
-BetreuerIn_thesisadvisor    : Udo Kruschwitz +BetreuerIn_thesisadvisor               : Udo Kruschwitz #  
-BearbeiterIn                : Philipp Hartl +BearbeiterIn                           : Philipp Hartl #  
-ErstgutachterIn_thesisprofessor  : Udo Kruschwitz +ErstgutachterIn_thesisprofessor        : Udo Kruschwitz #  
-ZweitgutachterIn_secondthesisprofessor : Christian Wolff +ZweitgutachterIn_secondthesisprofessor : Christian Wolff #  
-Status_thesisstate          : in Bearbeitung +Status_thesisstate                     : abgeschlossen #  
-Stichworte_thesiskeywords   : NLP, fake news, detection, social network analysis, Setniment Analysis, Twitter +Stichworte_thesiskeywords              : NLP, fake news, detection, social network analysis, Sentiment Analysis, Twitter #  
-angelegt_dt                 : 2020-11-09 +angelegt_dt                            : 2021-01-04 #  
-Anmeldung_dt                :  +Anmeldung_dt                           :  #  
-Antrittsvortrag_dt          :  +Antrittsvortrag_dt                     : 2021-05-10 #  
-Abschlussvortrag_dt         :  +Abschlussvortrag_dt                    : 2021-10-25 #  
-Abgabe_dt                   :  +Abgabe_dt                              :  #  
-Textlizenz_textlicense      : ##Lizenz|## +Textlizenz_textlicense                 :  # #Lizenz|## 
-Codelizenz_codelicense      : ##Lizenz|##+Codelizenz_codelicense                 :  # #Lizenz|##
 ---- ----
 +
 +
 +
 +
 +
 +
  
 === Hintergrund === === Hintergrund ===
Zeile 28: Zeile 34:
 Ziel der Arbeit ist, strukturelle Unterschiede zwischen Fake & Real News zu identifizieren und anhand dieser einen Klassifikator zu entwickeln, welcher anhand von linguistischen, sozialen sowie zeitlichen Kontext Fake News erkennen kann: Ziel der Arbeit ist, strukturelle Unterschiede zwischen Fake & Real News zu identifizieren und anhand dieser einen Klassifikator zu entwickeln, welcher anhand von linguistischen, sozialen sowie zeitlichen Kontext Fake News erkennen kann:
  
-    Inwiefern ist es möglich Fake News anhand ihrer stilistischen Merkmale zu erkennen? +* Inwiefern ist es möglich Fake News anhand ihrer stilistischen Merkmale zu erkennen? 
-    Wie unterscheidet sich die Verbreitung von Fake News gegenüber Real News? +* Wie unterscheidet sich die Verbreitung von Fake News gegenüber Real News? 
-        Gibt es hierarchische Unterschiede in den Netzwerken (z.B. entsteht eine Echokammer)? + * Gibt es hierarchische Unterschiede in den Netzwerken (z.B. entsteht eine Echokammer)? 
-        Gibt es zeitliche Unterschiede in der Verbreitung (wie schnell verbreitet sich eine Nachricht)? + * Gibt es zeitliche Unterschiede in der Verbreitung (wie schnell verbreitet sich eine Nachricht)? 
-    Kann man anhand der ursprünglichen Quelle verstellen, ob eine Aussage glaubwürdig ist oder nicht (z.B. @realdonaldtrump vs. @associatedPress)? +* Kann man anhand der ursprünglichen Quelle verstellen, ob eine Aussage glaubwürdig ist oder nicht (z.B. @realdonaldtrump vs. @associatedPress)? 
-    Unterscheidet sich das Diskussionsverhalten von Fake und Real News? +* Unterscheidet sich das Diskussionsverhalten von Fake und Real News? 
-    Behandeln Fake News und Real News andere Themengebiete?+* Behandeln Fake News und Real News andere Themengebiete?
  
 === Konkrete Aufgaben === === Konkrete Aufgaben ===
Zeile 41: Zeile 47:
 Mögliche Methoden zur Untersuchung der Fragestellung sind: Mögliche Methoden zur Untersuchung der Fragestellung sind:
  
-    quantitative Analyse +* quantitative Analyse 
-    Social Network Analysis +* Social Network Analysis 
-    Sentimentanalysis +* Sentimentanalysis 
-    Transfer-Learning (BERT, roBERTa etc.) +* Transfer-Learning (BERT, roBERTa etc.) 
-    Stilometrie +* Stilometrie 
-    Topic Modeling +* Topic Modeling 
-    Training eines supervised Maschine Learning Klassifikators +* Training eines supervised Maschine Learning Klassifikators 
-    Weak social supervision (WSS)+* Weak social supervision (WSS)
  
 === Erwartete Vorkenntnisse === === Erwartete Vorkenntnisse ===
  
-    Python +* Python 
-    Maschine Learning +* Maschine Learning 
-    NLP +* NLP 
-    Social Network Analysis +* Social Network Analysis 
-    Sentiment Analysis +* Sentiment Analysis 
-    Twitter+* Twitter
  
 === Weiterführende Quellen === === Weiterführende Quellen ===
  
-Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. ArXiv:1810.04805 [Cs]. http://arxiv.org/abs/1810.04805 +* Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. ArXiv:1810.04805 [Cs]. http://arxiv.org/abs/1810.04805 
-    Shu, K., Mahudeswaran, D., Wang, S., Lee, D., & Liu, H. (2020). FakeNewsNet: A Data Repository with News Content, Social Context, and Spatiotemporal Information for Studying Fake News on Social Media. Big Data, 8(3), 171–188. https://doi.org/10.1089/big.2020.0062 +* Shu, K., Mahudeswaran, D., Wang, S., Lee, D., & Liu, H. (2020). FakeNewsNet: A Data Repository with News Content, Social Context, and Spatiotemporal Information for Studying Fake News on Social Media. Big Data, 8(3), 171–188. https://doi.org/10.1089/big.2020.0062 
-    Shu, K., Sliva, A., Wang, S., Tang, J., & Liu, H. (2017). Fake News Detection on Social Media: A Data Mining Perspective. ArXiv:1708.01967 [Cs]. http://arxiv.org/abs/1708.01967 +* Shu, K., Sliva, A., Wang, S., Tang, J., & Liu, H. (2017). Fake News Detection on Social Media: A Data Mining Perspective. ArXiv:1708.01967 [Cs]. http://arxiv.org/abs/1708.01967 
-    Shu, K., Wang, S., Lee, D., & Liu, H. (2020). Mining Disinformation and Fake News: Concepts, Methods, and Recent Advancements. ArXiv:2001.00623 [Cs]. http://arxiv.org/abs/2001.00623 +* Shu, K., Wang, S., Lee, D., & Liu, H. (2020). Mining Disinformation and Fake News: Concepts, Methods, and Recent Advancements. ArXiv:2001.00623 [Cs]. http://arxiv.org/abs/2001.00623 
-    Slovikovskaya, V., & Attardi, G. (n.d.). Transfer Learning from Transformers to Fake News Challenge Stance Detection (FNC-1) Task. 8. +* Slovikovskaya, V., & Attardi, G. (n.d.). Transfer Learning from Transformers to Fake News Challenge Stance Detection (FNC-1) Task. 8. 
-    Wang, W. Y. (2017). “Liar, Liar Pants on Fire”: A New Benchmark Dataset for Fake News Detection. Proceedings of the 55th Annual Meeting of the Association for           Computational Linguistics (Volume 2: Short Papers), 422–426. https://doi.org/10.18653/v1/P17-2067+* Wang, W. Y. (2017). “Liar, Liar Pants on Fire”: A New Benchmark Dataset for Fake News Detection. Proceedings of the 55th Annual Meeting of the Association for           Computational Linguistics (Volume 2: Short Papers), 422–426. https://doi.org/10.18653/v1/P17-2067