Optimización de modelos de PLN para la verificación automática de noticias falsas en entornos digitales

Este estudio se centra en la optimización de modelos de procesamiento de lenguaje natural (PLN) en un sistema de verificación de noticias falsas. El problema abordado radica en la necesidad de mejorar la precisión y eficacia en la detección de noticias manipuladas, sin modificar la arquitectura original del sistema preexistente. El objetivo principal fue optimizar modelos como BERT, RoBERTa y spaCy, a través de técnicas de fine-tuning y ajuste de hiperparámetros, para mejorar métricas clave como precisión, recall y F1-score en tareas de análisis de sentimientos, emociones, reconocimiento de entidades nombradas (NER) y clasificación de noticias falsas. La metodología empleada fue experimental-comparativa, utilizando un enfoque cuantitativo con datos obtenidos de tweets de verificadores de hechos y Google Fact Check Tools. Se aplicó la metodología CRISP-DM para guiar el proceso de comprensión de los datos, preparación, modelado y evaluación. Los resultados mostraron mejoras significativas en el desempeño de los modelos, con un incremento notable en la precisión y reducción de falsos positivos, lo que contribuyó a una mayor efectividad en la verificación de noticias falsas. El estudio ofrece una base sólida para futuras investigaciones y mejoras en sistemas de verificación automatizada