LuanVan.vnLuận Văn
Gửi thư

CÁC BIẾN THỂ CỦA TRANSFORMER ĐỂ PHÂN LOẠI TIN GIẢ

Khoá luận tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảNguyễn Hồng Tuấn Phát
Người hướng dẫnNguyễn Thanh Hải; Sử Kim Anh
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2025
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Tin giả đang là một thách thức lớn trong thời đại kỷ nguyên số, nó gây ảnh hưởng trực tiếp đến nhận thức xã hội, làm hoang mang, mất niềm tin của mọi người. Vì vậy, việc phát triển một mô hình tự động có khả năng phân loại tin giả một cách chính xác và hiệu quả là rất cần thiết nhằm giảm thiểu tác động tiêu cực từ các thông tin sai lệch này. Nghiên cứu này tập trung vào việc ứng dụng và đánh giá hiệu quả của các mô hình biến thể của Transformer, cụ thể là BERT và RoBERTa, cho bài toán phân loại tin giả. Các mô hình này đã được tinh chỉnh siêu tham số một cách có hệ thống và đánh giá trên bốn bộ dữ liệu phổ biến: ISOT Fake News Dataset, Fake News Dataset, Fake or Real News Dataset và Fake News Detection Dataset. Đồng thời, khả năng tổng quát hóa của các mô hình cũng được khảo sát thông qua các thử nghiệm kiểm tra chéo bộ dữ liệu. Kết quả thực nghiệm cho thấy các mô hình biến thể của Transformer, đặc biệt là RoBERTa, đạt được hiệu suất phân loại rất cao khi được huấn luyện và kiểm thử trên cùng một bộ dữ liệu, với các chỉ số F1 – score và Accuracy vượt trội đạt đến 99,98% trên tập ISOT. Tuy nhiên, kết quả kiểm thử chéo bộ dữ liệu lại bộc lộ một thách thức đáng kể về khả năng tổng quát hóa: hiệu suất của mô hình giảm sút mạnh khi áp dụng trên các tập dữ liệu khác biệt so với tập huấn luyện, cho thấy sự quan trọng của mô hình đối với đặc trưng riêng của từng nguồn dữ liệu. Dựa trên sự cân bằng giữa hiệu suất và khả năng tổng quát hóa trung bình tốt hơn trong kiểm thử chéo, mô hình RoBERTa được huấn luyện trên tập Fake News Detection được đề xuất lựa chọn để phát triển ứng dụng thực tế. Nghiên cứu này không chỉ khẳng định tiềm năng to lớn của kiến trúc Transformer trong việc phát hiện tin giả dựa trên nội dung văn bản mà còn chỉ ra những hạn chế về tính tổng quát hóa cần được quan tâm trong các ứng dụng thực tế. Kết quả đạt được cung cấp cơ sở khoa học và thực nghiệm cho việc phát triển các công cụ kiểm chứng thông tin, hỗ trợ hoạt động báo chí số, góp phần xây dựng một không gian thông tin lành mạnh hơn.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.