Análisis de técnicas de Machine Learning para la detección de noticias falsas en medios digitales (2017-2023)

Abstract

La proliferación de noticias falsas en medios digitales representa un desafío en la era de la información, afectando la integridad del discurso público y la toma de decisiones. Esta monografía realiza un análisis bibliométrico de técnicas de machine learning aplicadas a la detección de desinformación durante el período 2017-2023, enfocándose en la revisión documental de métodos como el análisis lingüístico-contextual, algoritmos de clasificación (Random Forest, Naïve Bayes, redes neuronales) y el uso de características multidimensionales (texto, metadatos e interacciones sociales). Se identifican patrones, tendencias y limitaciones en los métodos existentes, destacando su eficiencia mediante métricas como precisión, recall y F1-score. Finalmente, se presenta una síntesis de los avances técnicos y los desafíos pendientes en la detección automatizada de noticias falsas.