| dc.contributor.advisor | Mejía Manzano, Julio Eduardo | |
| dc.coverage.spatial | cead_-_josé_acevedo_y_gómez | |
| dc.creator | Serna Morales, Carlos Andrés | |
| dc.date.accessioned | 2025-08-01T21:07:31Z | |
| dc.date.available | 2025-08-01T21:07:31Z | |
| dc.date.created | 2025-06-23 | |
| dc.identifier.uri | https://repository.unad.edu.co/handle/10596/72929 | |
| dc.description.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. | |
| dc.format | pdf | |
| dc.title | Análisis de técnicas de Machine Learning para la detección de noticias falsas en medios digitales (2017-2023) | |
| dc.type | Monografía | |
| dc.subject.keywords | Machine learning | |
| dc.subject.keywords | Fake news | |
| dc.subject.keywords | Procesamiento de lenguaje natural | |
| dc.subject.keywords | Deep learning | |
| dc.subject.keywords | Desinformación | |
| dc.description.abstractenglish | The proliferation of fake news in digital media represents a challenge in the information age, affecting the integrity of public discourse and decision-making. This monograph conducts a bibliometric analysis of machine learning techniques applied to misinformation detection during the period 2017-2023, focusing on the documentary review of methods such as linguistic-contextual analysis, classification algorithms (Random Forest, Naïve Bayes, neural networks), and the use of multidimensional features (text, metadata, and social interactions). Patterns, trends, and limitations in existing methods are identified, highlighting their efficiency through metrics such as precision, recall, and F1-score. Finally, a synthesis of technical advances and pending challenges in automated fake news detection is presented. | |
| dc.subject.category | Investigación | |
