打破虚假新闻障壁：邦巴语深度学习方法

数字舞台的快速发展极大地加剧了虚假数据的扩散，瓦解了社会中的确定性和判断力，尤其在孟加拉语社区中。我们的研究致力于解决这一关键问题，通过提出一种利用门控循环单元（Gated Recurrent Unit, GRU）识别邦巴语虚假新闻的深层学习方法。我们的方法包括大量的数据预处理，包括词形还原、分词以及处理数据集中不规则现象的过采样。这一方法应用于包含 58,478 篇文本的数据集上。我们展示了一个基于 GRU 的演示模型，展现出显著的性能，准确率达到了 94%。本研究对数据处理、特征选择、模型训练和性能评估的方法进行了详尽阐述。模型性能通过精确率、召回率、F1 分数和准确率等可靠指标进行评估。该工作的承诺在于构建一个大型邦巴语虚假新闻数据集，并开发一个超越其他邦巴语虚假新闻检测模型的演示系统。