[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-290484-105":3,"doc-detail-290484-en":81,"detail-sidebar-cat-0-en-105":99},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":74,"head_meta":76,"extra_data":78,"updated_unix":80},105,"lt","propaganda-and-disinformation-detection-machine-learning-algorithms","Propagandos ir dezinformacijos aptikimas - mašininio mokymo algoritmais","","Pagrindinis bakalauro darbo tikslas – surasti, išbandyti ir palyginti viešai prieinamus propagandos ir dezinformacijos tekstinius duomenų rinkinius, jų pradinio apdorojimo metodus bei klasifikavimo modelius. Tyrime analizuoti „Fake news“ ir „LIAR“ duomenų rinkiniai su kontekstiniais požymiais, taikyta „Bag-of-words“ ir „Feature hashing“ vektorizacija bei 4 modeliai: SVM, CNN, Logistic regression ir Random forest. Atlikta 144 eksperimentai, vertinti tikslumo, preciziškumo, atkūrimo ir F1 metrikomis; geriausias rezultatas pasiektas logistic regression modeliu su feature hashing ir autorių pranešimų temomis praturtintu „Fake news“ rinkiniu.",{"@graph":14,"@context":73},[15,34,56],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/document/","Document",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/document/research-report/","Research & Report",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/document/propaganda-and-disinformation-detection-machine-learning-algorithms/290484/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/propaganda-and-disinformation-detection-machine-learning-algorithms/290484.png","ImageObject",300,407,{"name":42,"@type":43},"Aria","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-10-18","2026-09-17",true,{"@type":52,"interactionType":53,"userInteractionCount":55},"InteractionCounter",{"@type":54},"ViewAction",11,{"@type":57,"mainEntity":58},"FAQPage",[59,65,69],{"name":60,"@type":61,"acceptedAnswer":62},"Koks pagrindinis šio bakalauro darbo tikslas?","Question",{"text":63,"@type":64},"Surasti, išbandyti ir palyginti viešai prieinamus propagandos ir dezinformacijos tekstinių duomenų rinkinius, jų pradinio apdorojimo metodus bei žinomus klasifikavimo modelius.","Answer",{"name":66,"@type":61,"acceptedAnswer":67},"Kokie duomenų rinkiniai ir požymiai naudoti tyrime?",{"text":68,"@type":64},"Analizuoti „Fake news“ ir „LIAR“ duomenų rinkiniai, kuriems pridėti kontekstiniai požymiai.",{"name":70,"@type":61,"acceptedAnswer":71},"Koks buvo geriausias klasifikavimo rezultatas ir su kokiais metodais?",{"text":72,"@type":64},"Geriausią 95,41% tikslumą pasiekė „Logistic regression“ modelis su „Feature hashing“ vektorizacija ir „Fake news“ rinkiniu, praturtintu pagrindinės autoriaus pranešimų tema.","https://schema.org",{"og:url":32,"og:type":75,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":77,"canonical":32},"index,follow",{"doc_id":79,"site_id":7},290484,1789641807,{"code":4,"msg":82,"data":83},"success",{"doc_id":79,"user_id":84,"nickname":42,"user_avatar":85,"doc_module":4,"category_id":86,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":87,"file_id":88,"file_url":89,"file_type":90,"file_size":91,"view_count":55,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":92,"language":93,"language_code":8,"site_id":7,"html_lang":94,"table_of_contents":95,"faqs":96,"seo_title":97,"seo_description":12,"update_tm":80,"read_time":98,"preview_page_count":4},2336464648322,"https://ap-avatar.wpscdn.com/avatar/2200025388227c56fec?_k=1778556882303663488",8,"VILNIAUS UNIVERSITETAS  \nMATEMATIKOS IR INFORMATIKOS FAKULTETAS PROGRAMŲ SISTEMŲ BAKALAURO STUDIJŲ PROGRAMA  \nPropagandos ir dezinformacijos aptikimasmašininio mokymo algoritmais  \nPropaganda and disinformation recognition using machine  \nlearning algorithms  \nBakalauro baigiamasis darbas  \nAtliko: Rokas Petrauskas  \nDarbo vadovas: prof. dr. Darius Plikynas  \nDarbo recenzentas: dr. Linas Petkevičius  \nSantrauka  \nPagrindinis darbo tikslas – surasti, išbandyti ir palyginti viešai prieinamus propagandosir dezinformacijos tekstinių duomenų rinkinius, jų pradinio apdorojimo metodus bei žinomusklasifikavimo modelius – pasiektas, uždaviniai įgyvendinti. Duomenų rinkinių ir mašininio mokymo klasifikatorių tyrime analizuoti „Fake news“ ir „LIAR“ duomenų rinkiniai, kuriems pridedami kontekstiniai požymiai,„Bag–of–words“,„Feature hashing“ vektorizavimo technikosir 4 mašininio mokymo modeliai – „Support vector machine“,„Convolutional neural network“,„Logistic regression“ ir „Random forest“. Tyrimo rezultatas – 144 bandymų duomenys, pateikiami tikslumo, preciziškumo, atkūrimo ir F1 statistikos metrikomis. Geriausią – 95,41% tikslumą pasiekė „Logistic regression“ modelis su „Feature hashing“ vektorizavimo technika ir pagrindinėsautoriaus pranešimų tema papildytu „Fake news“ duomenų rinkiniu.  \nRaktiniai žodžiai: mašininis mokymasis, natūralios kalbos apdorojimas, propaganda ir dezinformacija, teksto klasifikavimas, pradinis duomenų apdorojimas  \nSummary  \nThe main objective of this thesis is to identify, test and compare publicly available propaganda and disinformation datasets, preprocessing tools and known classification models. This objective and all tasks have been completed successfully. During dataset and machine learning classifier investigation ”Fake news” and ”LIAR” datasets were expanded with additional contextual attributes and have been analyzed along with ”Bag of words”,”Feature hashing” vectorization techniques and 4 machine learning models: ”Support vector machine”,”Convolutional neural network”,”Logistic regression” and ”Random forest”. The outcomes of this objective are the results of 144 experiments represented as accuracy, precision, recall and F1 score metrics.”Logistic regression”model using ”Feature hashing” vectorization technique on a ”Fake news” dataset that is expanded with the main topic of author’s message achieved the best accuracy score of 95,41% .  \nKeywords: machine learning, natural language processing, propaganda and disinformation, text classification, data preprocessing  \nTurinys  \nĮVADAS ......................................................................................... 6  \n1. DUOMENŲ RINKINIŲ ANALIZĖ ....................................................... 9  \n1.1.„LIAR“ duomenų rinkinys ............................................................. 9  \n1.2.„Fake news“ duomenų rinkinys ........................................................ 10  \n1.3.„FakeNewsNet“ ......................................................................... 10  \n1.4. Duomenų rinkinių palyginimas ........................................................ 11  \n2. ĮRANKIAI PRADINIAM DUOMENŲ APDOROJIMUI ................................. 13  \n2.1.„SpaCy“................................................................................. 13  \n2.2.„NLTK“................................................................................. 13  \n2.3.„SpacyTextBlob“........................................................................ 13  \n2.4.„Text2Emotion“ ........................................................................ 14  \n2.5.„VADER“............................................................................... 14  \n2.6.„Matcher“............................................................................... 14  \n2.7.„CountVectorizer“...................................................................... 14  \n2.8.„HashingVectorizer“.................................................................... 15  \n2.9.„MinMaxScaler“.......","cbCaidGVc3T8Zsjp","https://ap.wps.com/l/cbCaidGVc3T8Zsjp","pdf",429208,35,"Lithuanian","en","# ĮVADAS\n# DUOMENŲ RINKINIŲ ANALIZĖ\n## „LIAR“ duomenų rinkinys\n## „Fake news“ duomenų rinkinys\n## „FakeNewsNet“\n## Duomenų rinkinių palyginimas\n# ĮRANKIAI PRADINIAM DUOMENŲ APDOROJIMUI\n## „SpaCy“\n## „NLTK“\n## „SpacyTextBlob“\n## „Text2Emotion“\n## „VADER“\n## „Matcher“\n## „CountVectorizer“\n## „HashingVectorizer“\n## „MinMaxScaler“\n# MAŠININIO MOKYMŲ ALGORITMŲ ANALIZĖ\n## „Support vector machine“ (SVM)\n## „Logistic regression“ (LogReg)\n## „Random forest“ (RF)\n## „Convolutional neural network“ (CNN)\n## „Bidirectional encoder representations from transformers“ (BERT)\n# DUOMENŲ RINKINIŲ IR MAŠININIO MOKYMO KLASIFIKATORIŲ TYRIMAS\n## Pradinis duomenų rinkinio apdorojimas\n## Modelių mokymas ir testavimas\n# NAUDOJAMOS VERTINIMO METRIKOS\n## Tikslumas\n## Preciziškumas","[{\"question\":\"Koks pagrindinis šio bakalauro darbo tikslas?\",\"answer\":\"Surasti, išbandyti ir palyginti viešai prieinamus propagandos ir dezinformacijos tekstinių duomenų rinkinius, jų pradinio apdorojimo metodus bei žinomus klasifikavimo modelius.\"},{\"question\":\"Kokie duomenų rinkiniai ir požymiai naudoti tyrime?\",\"answer\":\"Analizuoti „Fake news“ ir „LIAR“ duomenų rinkiniai, kuriems pridėti kontekstiniai požymiai.\"},{\"question\":\"Koks buvo geriausias klasifikavimo rezultatas ir su kokiais metodais?\",\"answer\":\"Geriausią 95,41% tikslumą pasiekė „Logistic regression“ modelis su „Feature hashing“ vektorizacija ir „Fake news“ rinkiniu, praturtintu pagrindinės autoriaus pranešimų tema.\"}]","Propagandos ir dezinformacijos aptikimas - mašininio mokymo algoritmais | PDF",88,{"code":4,"msg":82,"data":100},[101,105,109,113,118,123,128,131,136,139,143],{"id":22,"doc_module":4,"doc_module_name":25,"category_name":102,"show_sort_weight":103,"slug":104},"Story & Novel",90,"story-novel",{"id":26,"doc_module":4,"doc_module_name":25,"category_name":106,"show_sort_weight":107,"slug":108},"Literature",80,"literature",{"id":33,"doc_module":4,"doc_module_name":25,"category_name":110,"show_sort_weight":111,"slug":112},"Exam",70,"exam",{"id":114,"doc_module":4,"doc_module_name":25,"category_name":115,"show_sort_weight":116,"slug":117},5,"Comic",60,"comic",{"id":119,"doc_module":4,"doc_module_name":25,"category_name":120,"show_sort_weight":121,"slug":122},6,"Technology",50,"technology",{"id":124,"doc_module":4,"doc_module_name":25,"category_name":125,"show_sort_weight":126,"slug":127},7,"Healthcare",40,"healthcare",{"id":86,"doc_module":4,"doc_module_name":25,"category_name":29,"show_sort_weight":129,"slug":130},30,"research-report",{"id":132,"doc_module":4,"doc_module_name":25,"category_name":133,"show_sort_weight":134,"slug":135},9,"Religion & Spirituality",20,"religion-spirituality",{"id":134,"doc_module":4,"doc_module_name":25,"category_name":137,"show_sort_weight":134,"slug":138},"World Cup","world-cup",{"id":140,"doc_module":4,"doc_module_name":25,"category_name":141,"show_sort_weight":140,"slug":142},10,"Lifestyle","lifestyle",{"id":144,"doc_module":4,"doc_module_name":25,"category_name":145,"show_sort_weight":114,"slug":146},19,"General","general"]