Bert approaches for fake news detection
| dc.contributor.author | LACHEHEUB , Samy Ismail | |
| dc.contributor.author | SIDHOUM , Dhia Eddine | |
| dc.contributor.author | DRIF , Ahlem Supervisor | |
| dc.date.accessioned | 2026-11-17T10:26:24Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | The 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.sponsorship | La 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.other | MAI/1172 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/4345 | |
| dc.language.iso | en | |
| dc.publisher | Unuversity Setif 1 Ferhat Abbas . Faculty of Sciences | |
| dc.subject | Hybrid BERT–LLM framework | |
| dc.subject | Fake news detection | |
| dc.subject | WELFake dataset | |
| dc.subject | Arabic Fake News Dataset | |
| dc.subject | Zero-shot prompting | |
| dc.subject | Transformer models | |
| dc.subject | Misinformation detection | |
| dc.subject | RoBERTa | |
| dc.subject | Gated fusion | |
| dc.title | Bert approaches for fake news detection | |
| dc.type | Thesis |
