Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Mattos, Diogo Menezes Ferrazani | - |
Autor(es): dc.contributor | Moraes, Igor Monteiro | - |
Autor(es): dc.contributor | Medeiros, Dianne Scherly Varela de | - |
Autor(es): dc.contributor | Oliveira, Nicollas Rodrigues de | - |
Autor(es): dc.creator | Mendonça, Marcos Paulo Cezar de | - |
Data de aceite: dc.date.accessioned | 2025-01-03T11:35:28Z | - |
Data de disponibilização: dc.date.available | 2025-01-03T11:35:28Z | - |
Data de envio: dc.date.issued | 2024-08-29 | - |
Data de envio: dc.date.issued | 2024-08-29 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/34473 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/918851 | - |
Descrição: dc.description | A crescente disseminação de Notícias Falsas (Fake News) e desinformação tem impactado diversas esferas no cenário brasileiro, nos âmbitos político e social. A maior parte dessas informações falsas são divulgadas por meio de mídias sociais, através do compartilhamento de sítios web de portais de notícias maliciosos. Embora muitos estudos concentrem seus esforços na detecção de aspectos relacionados às redes sociais, uma das origens da desinformação está em sítios maliciosos não confiáveis. Dessa forma, estratégias para identificação e distinção de sítios web confiáveis e não confiáveis são necessárias no combate à desinformação. Esse trabalho propõe a classificação de sítios web de notícias confiáveis e não confiáveis a partir de atributos de domínio, certificado e geolocalização. A classificação é realizada através de modelos de aprendizado de máquina supervisionados, como Naive Bayes, Máquina de Vetor de Suporte, Árvore de Decisão, Floresta Aleatória, Redes Neurais, Regressão Linear, K-Vizinhos Mais Próximos e Perceptron Multicamadas. Os resultados obtidos demonstram que o modelo que apresentou o melhor desempenho foi o de Floresta Aleatória combinada com normalização, tendo 84% de acurácia, 83% de precisão, 75% de sensibilidade, 79% de pontuação-F1 e 91% de área sob a curva ROC. A partir dessa Floresta Aleatória é realizado um estudo para avaliar os atributos que são mais relevantes para a resposta do modelo. Com isso, obtem-se que os atributos relacionados ao domínio do sítio têm grande importância, como o tamanho do subdomínio e o dia de criação, expiração. | - |
Descrição: dc.description | The growing dissemination of Fake News and disinformation has impacted several spheres in the Brazilian scenario, in the political and social spheres. Most of this false information is spread through social media, through sharing websites of malicious news portals. Al- though many studies focus their efforts on detecting aspects related to social networks, one of the origins of disinformation lies in untrustworthy malicious websites. Therefore, strategies for identifying and distinguishing trustworthy and untrustworthy websites are necessary to combat misinformation. This work proposes the classification of trustworthy and untrustworthy news websites based on domain, certificate and geolocation attributes. Classification is performed through supervised machine learning models such as Naive Bayes, Support Vector Machine, Decision Tree, Random Forest, Neural Networks, Lin- ear Regression, K-Nearest Neighbors and Multilayer Perceptron. The results obtained demonstrate that the model that presented the best performance was the Random Forest combined with normalization, having 84% accuracy, 83% precision, 75% sensitivity, 79% F1 score and 91% area under the ROC curve. From this Random Forest, a study is carried out to evaluate the attributes that are most relevant to the model’s response. Thus, It is possible to infer that attributes related to the site’s domain are of great importance, such as the size of the subdomain and the day. | - |
Descrição: dc.description | 52 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Notícias falsas | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Floresta aleatória | - |
Palavras-chave: dc.subject | Confiabilidade de sítios Web | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Fake news | - |
Palavras-chave: dc.subject | Site da Web | - |
Palavras-chave: dc.subject | Fake news | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Random forest | - |
Palavras-chave: dc.subject | Reliability of websites | - |
Título: dc.title | Caracterização da confiabilidade de sítios Web através de métodos de aprendizado de máquina | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: