Fake Religious Text Detection and AI-Based Islamic Question Answering System (Trusted Islamic Artificial Intelligence Platform “Noor AI”)
| dc.contributor.author | MOKRANI , Kenza | |
| dc.contributor.author | BOUIMA , Raounek | |
| dc.contributor.author | FERHAT HAMIDA , Zineb Supervisor | |
| dc.date.accessioned | 2026-11-17T10:37:55Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Islamic religious information is increasingly consumed through digital and online channels, which makes it easier for false, altered, or misattributed religious texts to circulate alongside authentic ones. At the same time, users who search for answers to Islamic questions often struggle to find responses that are both accurate and grounded in trusted sources. This thesis presents Noor AI, a Trusted Islamic Artificial Intelligence platform built to address these two related problems: religious text verification and Islamic question answering. Noor AI follows a client-server architecture composed of a Flutter mobile application, a FastAPI backend, a set of artificial intelligence models, and a prepared Islamic knowledge base covering the Quran, Hadith, and Fatwa. For religious text verification, two approaches were implemented and compared: AraBERT, a transformer-based language model for Arabic, and a similarity-based model using TF-IDF and cosine similarity. For Islamic question answering, the system uses a Retrieval-Augmented Generation (RAG) pipeline that retrieves relevant documents from a ChromaDB vector database before generating an answer with a language model (GPT-4o, accessed through OpenRouter). A practical evaluation using 20 manually verified religious texts (10 authentic and 10 fake) was conducted. The fake texts were collected from the Dorar website [28], while 5 authentic texts were taken from the existing hadith.csv verification dataset and 5 from external sources. AraBERT achieved 90%, while the TF-IDF similarity model achieved 85%. The RAG-based question answering pipeline and the main application features were also validated through functional testing. The results show that combining a similarity-based model, a transformer-based language model, and a retrieval-augmented question answering pipeline can support a functional Islamic AI platform. However, larger labeled datasets and continued human verification are still needed for sensitive religious content. | |
| dc.description.sponsorship | Les informations religieuses islamiques sont de plus en plus consommées via des canaux numériques et en ligne, ce qui facilite la circulation de textes religieux faux, altérés ou mal attribués aux côtés de textes authentiques. Parallèlement, les utilisateurs cherchant des réponses à des questions sur l'islam peinent souvent à trouver des informations à la fois exactes et fondées sur des sources fiables. Cette thèse présente Noor AI, une plateforme d'intelligence artificielle islamique de confiance conçue pour répondre à ces deux problèmes connexes : la vérification de textes religieux et la réponse aux questions sur l'islam. Noor AI repose sur une architecture client-serveur composée d'une application mobile Flutter, d'un backend FastAPI, d'un ensemble de modèles d'intelligence artificielle et d'une base de connaissances islamiques préparée couvrant le Coran, les hadiths et les fatwas. Pour la vérification des textes religieux, deux approches ont été mises en œuvre et comparées : AraBERT, un modèle de langage basé sur l'architecture Transformer pour l'arabe, et un modèle fondé sur la similarité utilisant TF-IDF et la similarité cosinus. Pour répondre aux questions, le système utilise un pipeline de génération augmentée par récupération (RAG) qui extrait des documents pertinents d'une base de données vectorielle ChromaDB avant de générer une réponse à l'aide d'un modèle de langage (GPT-4o, accessible via OpenRouter). Une évaluation pratique a été menée à l'aide de 20 textes religieux vérifiés manuellement (10 authentiques et 10 faux). Les textes faux ont été recueillis sur le site web Dorar [28], tandis que 5 textes authentiques provenaient du jeu de données de vérification *hadith.csv* existant et 5 autres de sources externes. AraBERT a atteint un taux de réussite de 90 %, contre 85 % pour le modèle de similarité TF-IDF. Le pipeline de réponse aux questions basé sur le RAG ainsi que les fonctionnalités principales de l'application ont également été validés par des tests fonctionnels. Les résultats démontrent que la combinaison d'un modèle de similarité, d'un modèle de langage basé sur l'architecture Transformer et d'un pipeline de réponse aux questions augmenté par récupération permet de soutenir une plateforme d'IA islamique fonctionnelle. Toutefois, des jeux de données étiquetés plus vastes et une vérification humaine continue restent nécessaires pour les contenus religieux sensibles. | |
| dc.identifier.other | MAI/1174 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/4348 | |
| dc.language.iso | en | |
| dc.publisher | Unuversity Setif 1 Ferhat Abbas . Faculty of Sciences | |
| dc.subject | Islamic Artificial Intelligence | |
| dc.subject | Natural Language Processing | |
| dc.subject | Arabic NLP | |
| dc.subject | AraBERT | |
| dc.subject | Fake Religious Text Detection | |
| dc.subject | Retrieval-Augmented Generation | |
| dc.subject | Question Answering | |
| dc.title | Fake Religious Text Detection and AI-Based Islamic Question Answering System (Trusted Islamic Artificial Intelligence Platform “Noor AI”) | |
| dc.type | Thesis |
