Fake News Detection by means of Uncertainty Weighted Causal Graphs

Abstract

La sociedad está experimentando cambios en el consumo de información, ya que nuevos canales de información como las redes sociales permiten compartir noticias que no necesariamente son dignas de confianza. A veces, estas fuentes de información producen noticias falsas deliberadamente con propósitos dudosos y los consumidores de esa información la comparten con otros usuarios pensando que la información es precisa. Esta transmisión de información representa un problema en nuestra sociedad, ya que puede influir negativamente en la opinión de las personas sobre determinadas figuras, grupos o ideas. Por lo tanto, es deseable diseñar un sistema que sea capaz de detectar y clasificar la información como falsa y categorizar una fuente de información como confiable o no. Los sistemas actuales experimentan dificultades para realizar esta tarea, ya que es complicado diseñar un procedimiento automático que pueda clasificar esta información independientemente del contexto. En este trabajo proponemos un mecanismo para detectar fake news a través de un clasificador basado en grafos causales ponderados. Estos gráficos son modelos híbridos específicos que se construyen a través de relaciones causales recuperadas de textos y consideran la incertidumbre de las relaciones causales. Aprovechamos esta representación para usar las distribuciones de probabilidad de este gráfico y construimos un clasificador de noticias falsas basado en la entropía y la divergencia KL de la información aprendida y nueva. Creemos que el problema de las fake news es abordado con precisión por este modelo debido a su naturaleza híbrida entre una metodología simbólica y cuantitativa. Describimos la metodología de este clasificador y agregamos evidencia empírica de la utilidad de nuestro enfoque propuesto en forma de experimentos sintéticos y un experimento real con cáncer de pulmón.

Society is experimenting changes in information consumption, as new information channels such as social networks let people share news that do not necessarily be trust worthy. Sometimes, these sources of information produce fake news deliberately with doubtful purposes and the consumers of that information share it to other users thinking that the information is accurate. This transmission of information represents an issue in our society, as can influence negatively the opinion of people about certain figures, groups or ideas. Hence, it is desirable to design a system that is able to detect and classify information as fake and categorize a source of information as trust worthy or not. Current systems experiment difficulties performing this task, as it is complicated to design an automatic procedure that can classify this information independent on the context. In this work, we propose a mechanism to detect fake news through a classifier based on weighted causal graphs. These graphs are specific hybrid models that are built through causal relations retrieved from texts and consider the uncertainty of causal relations. We take advantage of this representation to use the probability distributions of this graph and built a fake news classifier based on the entropy and KL divergence of learned and new information. We believe that the problem of fake news is accurately tackled by this model due to its hybrid nature between a symbolic and quantitative methodology. We describe the methodology of this classifier and add empirical evidence of the usefulness of our proposed approach in the form of synthetic experiments and a real experiment involving lung cancer.