---

# 期末專題構想書：辨別假新聞

## 隊伍資訊

隊名：Awakened Illusion

成員：
- 106331039 張力中
- 106331040 李政育
- 106830046 郭峻廷
- 106370138 陳詠怡

## 動機與目的
在現今社會，大量的資訊可以快速的傳播，為了能夠吸引大眾目光，有些媒體為了吸取讀者注意力常以聳動標題呈現，卻造成讀者誤會。或是有心人士利用散佈不實消息帶風向，達到政治或商業的利益，使社會充斥各種錯誤資訊難以辨別真偽，即可稱為「假新聞」或「假消息」！[^fake_news]

根據頂尖期刊「科學」（Science）的論文「[The spread of true and false news online](https://science.sciencemag.org/content/359/6380/1146)」，研究發現[^spread_of_news]：
> 假新聞比真相傳播的人更多。假新聞的前1％傳播到1000到100,000個人之間，而真相很少傳播到超過1000個人。假新聞也比真相散佈得更快。

除了不隨意轉發來路不明的資訊外，也不要以為眼見就能為憑，更不要持單一立場做解讀。應該培養的是主動探究的意願、多元思考的能力以及自我反思的批判來面對現今龐大的資訊量。

本專題將結合在課堂上的知識，訓練一個分辨真假新聞的模型，期望這次專題的成果能夠初步分類訊息來源的可靠性，進而達到所學的目的，也是訓練獨立思考的好方法。

## 方法與步驟簡述

### 資料來源

資料來自 Kaggle 上的「Fake and real news dataset」資料集[^news_data]。此資料集的每筆資料包含了文章之標題、內文、主題以及發布日期。資料數量及分布如下：


以下為範例資料：


### 模型與方法

預期使用遞歸神經網路（recurrent neural networks，RNN）中的長短期記憶（Long Short-Term Memory，LSTM）架構。

RNN是一種用於處理序列數據的神經網路，相比一般的神經網路來說，他能夠處理序列變化的數據。比如某個單詞的意思會因為上文提到的內容不同而有不同的含義，RNN就能夠很好地解決這類問題。而LSTM是一種特殊的RNN，主要是為了解決長序列訓練過程中的梯度消失和梯度爆炸問題。簡單來說，就是相比普通的RNN，LSTM能夠在更長的序列中有更好的表現。[^RNN_introduce]

## 預期成果
此專題在有限的資料量下，希望能提高分辨真、假新聞的準確率，降低甚至有效減緩不實訊息的散布，在這個資訊量爆炸的時代提供一個可靠的平台，自我檢視和反思資訊來源的正確與否。

## 參考資料

[^fake_news]: [資訊爆炸的世代，如何分辨假新聞/假消息？](https://www.368tw.com/fake_news/)
[^spread_of_news]: [The spread of true and false news online](https://science.sciencemag.org/content/359/6380/1146)
[^news_data]: [Fake and real news dataset](https://www.kaggle.com/clmentbisaillon/fake-and-real-news-dataset)
[^LSTM_eg]: [LSTM範例](https://www.kaggle.com/namanjeetsingh/fake-news-classifier-using-lstm)
[^RNN_introduce]: [人人都能看懂的LSTM](https://zhuanlan.zhihu.com/p/32085405)