Erkennung von Fake News anhand von stilbasierten Methoden des Text Minings

Inhaltsverzeichnis

• Abstract
• 1. Einleitung
  • 1.1. Aufbau
  • 1.2. Zielsetzung
  • 1.3. Herausforderung
• 2. Grundlagen Fake News
  • 2.1. Arten und Gründe
  • 2.2. Verbreitung
    • 2.2.1. Soziale Medien
      • 2.2.1.1. Social Bots
      • 2.2.1.2. Influence Bots
    • 2.2.2. Nutzerverhalten
  • 2.3. Gefahren und Auswirkungen
  • 2.4. Schwierigkeit Fake News Erkennung
• 3. Definition Text Mining
  • 3.1. Data Mining
  • 3.2. Natural Language Processing
  • 3.3. Machine Learning
• 4. Methoden zur Fake News Erkennung
  • 4.1. Wissensbasierte Fake News Erkennung
    • 4.1.1. Manueller Faktencheck
    • 4.1.2. Automatischer Faktencheck
  • 4.2. Stilbasierte Fake News Erkennung
    • 4.2.1. Stildarstellung
      • 4.2.1.1. Data Representation
      • 4.2.1.2. Deep Syntax Analyse
      • 4.2.1.3. Diskursanalyse
      • 4.2.1.4. Semantische Analyse
      • 4.2.1.5. Lesbarkeitsanalyse
      • 4.2.1.6. Psycholinguistische Analyse
    • 4.2.2. Stilklassifikation
    • 4.2.3. Mustererkennung
  • 4.3. Ausbreitungsbasierte Fake News Erkennung
    • 4.3.1. Nachrichtenkaskaden
    • 4.3.2. Ausbreitungsgraphen
      • 4.3.2.1. Homogenes Netzwerk
      • 4.3.2.2. Heterogenes Netzwerk
      • 4.3.2.3. Hierarchisches Netzwerk
  • 4.4. Quellenbasierte Fake News Erkennung
    • 4.4.1. Autoren und Herausgeber Quellenbewertung
    • 4.4.2. Social Media Nutzer Quellenbewertung
• 5. Anwendungen und Forschungen zur Fake News Erkennung
  • 5.1. Webseiten zur Fake News Erkennung
  • 5.2. Tools zur Fake News Erkennung
  • 5.3. Forschungsprojekt Pheme
• 6. Konzeption und Realisierung
  • 6.1. Python und Bibliotheken
  • 6.2. Vorgehen und Prozessablauf
  • 6.3. Datensatz und Data Understanding
    • 6.3.1. Erklärung des Datensatzes
    • 6.3.2. Analyse True Daten
    • 6.3.3. Analyse Fake Daten
    • 6.3.4. Zusammenschluss der Daten
  • 6.4. Data Preparation
    • 6.4.1. Data Cleaning
      • 6.4.1.1. Doppelte Werte
      • 6.4.1.2. Fehlwerte entfernen
      • 6.4.1.3. Semantische und syntaktische Fehler
    • 6.4.2. Stoppwörter entfernen
    • 6.4.3. Tokenisierung
    • 6.4.4. Stemming
    • 6.4.5. Vektorisierung
      • 6.4.5.1. Bag of Words
      • 6.4.5.2. TF-IDF
  • 6.5. Modelling und Evaluation
    • 6.5.1. Exploratory Data Analysis
      • 6.5.1.1. N-Gramme
      • 6.5.1.2. Beste Erkennungswörter
      • 6.5.1.3. Unique Token
    • 6.5.2. Klassifikation
      • 6.5.2.1. Naive Bayes
      • 6.5.2.2. Logistische Regression
    • 6.5.3. Clustering
  • 6.6. Zusammenfassung der Ergebnisse
• 7. Erkenntnisse
  • 7.1. Beantwortung der Forschungsfragen
  • 7.2. Weitergehender Forschungsbedarf
  • 7.3. Handlungsempfehlung

Zielsetzung und Themenschwerpunkte

Die Bachelorarbeit befasst sich mit der Analyse und Erkennung von Fake News. Sie beleuchtet aktuelle Anwendungen und Forschungsarbeiten und bietet eine strukturierte Darstellung und Erläuterung aller relevanten Methoden zur Erkennung von Fake News. Der Schwerpunkt liegt auf der stilbasierten Fake News Erkennung, die mithilfe von Text Mining Verfahren angewendet werden kann.

• Analyse und Erkennung von Fake News
• Darstellung aktueller Anwendungen und Forschungen
• Strukturierte Erläuterung von Methoden zur Fake News Erkennung
• Anwendung von Text Mining Verfahren für die stilbasierte Fake News Erkennung
• Analyse und Darstellung der Sprache von Fake News

Zusammenfassung der Kapitel

• Kapitel 1 bietet eine Einleitung in die Thematik der Fake News und stellt den Aufbau, die Zielsetzung und die Herausforderungen der Bachelorarbeit dar.
• Kapitel 2 beleuchtet die Grundlagen von Fake News, einschließlich ihrer Arten, Verbreitung, Gefahren und Auswirkungen sowie der Schwierigkeiten bei ihrer Erkennung.
• Kapitel 3 definiert das Konzept des Text Minings und erläutert seine Bestandteile, wie Data Mining, Natural Language Processing und Machine Learning.
• Kapitel 4 stellt verschiedene Methoden zur Fake News Erkennung vor, darunter wissensbasierte, stilbasierte, ausbreitungsbasierte und quellenbasierte Ansätze.
• Kapitel 5 beleuchtet aktuelle Anwendungen und Forschungsprojekte zur Fake News Erkennung, einschließlich Webseiten, Tools und Forschungsprojekte wie Pheme.
• Kapitel 6 beschreibt die Konzeption und Realisierung der Bachelorarbeit, einschließlich der verwendeten Programmiersprache, des Vorgehens, des Datensatzes und der Datenaufbereitung.

Schlüsselwörter

Fake News, Text Mining, Stilbasierte Fake News Erkennung, Data Mining, Natural Language Processing, Machine Learning, Klassifikation, Clustering, Datensatz, Datenaufbereitung, Analyse, Erkennung, Methoden, Anwendungen, Forschung.