Bert approaches for fake news detection

dc.contributor.authorLACHEHEUB , Samy Ismail
dc.contributor.authorSIDHOUM , Dhia Eddine
dc.contributor.authorDRIF , Ahlem Supervisor
dc.date.accessioned2026-11-17T10:26:24Z
dc.date.issued2026
dc.description.abstractThe rapid growth of fake news across digital platforms poses serious risks to public dis-course and democratic stability, particularly during geopolitical crises in which false reports spread virally before verification can occur. This thesis presents a hybrid deep learning framework integrating BERT with Large Language Models (LLMs) to enhance fake news detection across English domain. The proposed methodology fine-tunes RoBERTa for binary classification on the WELFake dataset — comprising 72,134 labelled English news articles — and evaluates the resulting system on a curated subset of FakeNewsNet PolitiFact under zero-shot cross-domain conditions. LLMs contribute through zero-shot prompting to generate structured authenticity features, including manipulation intensity scores, semantic vagueness assessments, and nu-merical evidence indicators, which are fused with RoBERTa's contextual embeddings via a gated late-fusion mechanism. Experimental results demonstrate that the hybrid architecture consistently outperforms the RoBERTa-only baseline across all classification metrics, achieving accuracy and weighted F1-score improvements of approximately two percentage points on the in-domain test set, with stronger relative improvements under cross-domain evaluation. An ablation study con-firms that both the gated fusion architecture and the LLM inference-time scores contribute independently to the observed gains.
dc.description.sponsorshipLa prolifération rapide des fausses informations sur les plateformes numériques représente une menace sérieuse pour le débat public et la stabilité démocratique, particulièrement lors des crises géopolitiques où des informations erronées se propagent viralement avant toute vérification. Ce mémoire présente un cadre d'apprentissage profond hybride intégrant BERT et les grands modèles de langage (LLMs) afin d'améliorer la détection des fausses informa-tions dans le domaine anglophone. La méthodologie proposée affine RoBERTa pour une classification binaire sur les données WELFake — composé de 72 134 articles de presse anglais étiquetés — et évalue le système obtenu sur un sous-ensemble sélectionné de FakeNewsNet PolitiFact dans des conditions de transfert inter-domaines en zéro-shot. Les LLMs contribuent via un prompting zéro-shot pour générer des caractéristiques d'authenticité structurées, notamment des scores d'intensité de manipulation, des évaluations de vaguité sémantique et des indicateurs de preuves numé-riques, qui sont fusionnés avec les représentations contextuelles de RoBERTa via un méca-nisme de fusion tardive à porte apprise. Les résultats expérimentaux montrent que l'architecture hybride surpasse systématiquement le modèle de référence RoBERTa seul sur l'ensemble des métriques de classification, avec des gains d'environ deux points de pourcentage en précision et en F1-score pondéré sur l'ensemble de test en domaine, et des améliorations relatives plus marquées en évaluation inter-domaines. Une étude d'ablation confirme que l'architecture de fusion à porte et les scores LLM contri-buent indépendamment aux gains observés
dc.identifier.otherMAI/1172
dc.identifier.urihttps://repository.univ-setif.dz/handle/123456789/4345
dc.language.isoen
dc.publisherUnuversity Setif 1 Ferhat Abbas . Faculty of Sciences
dc.subjectHybrid BERT–LLM framework
dc.subjectFake news detection
dc.subjectWELFake dataset
dc.subjectArabic Fake News Dataset
dc.subjectZero-shot prompting
dc.subjectTransformer models
dc.subjectMisinformation detection
dc.subjectRoBERTa
dc.subjectGated fusion
dc.titleBert approaches for fake news detection
dc.typeThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
MAI1172.pdf
Size:
545.01 KB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description: