Fake News Detection

Ce projet de spécialisation NLP propose un système complet de détection de fake news. Le pipeline couvre l'analyse exploratoire, le prétraitement, les modèles baseline (Naive Bayes, Régression Logistique, XGBoost), le fine-tuning de modèles transformer (BERT, RoBERTa, DeBERTa), l'évaluation sur un dataset externe (généralisation out-of-distribution) et l'analyse d'interprétabilité avec SHAP et LIME. Le dataset LIAR contient 12 800 déclarations politiques étiquetées par les fact-checkers de PolitiFact. Le projet intègre également une analyse de biais éthique.

Défis

• Classification multi-classes de déclarations politiques avec nuances contextuelles
• Généralisation du modèle sur des datasets externes non vus à l'entraînement
• Interprétabilité des décisions du modèle pour garantir la confiance
• Détection et analyse des biais dans les prédictions

Solutions

• Pipeline progressif : baseline TF-IDF → fine-tuning BERT/RoBERTa/DeBERTa
• Évaluation cross-dataset pour mesurer la robustesse out-of-distribution
• Analyse SHAP et LIME pour l'explicabilité des prédictions
• Audit de biais éthique intégré dans le pipeline d'évaluation

Résultats

• 5 notebooks couvrant le pipeline complet EDA → interprétabilité
• Comparaison de 6+ modèles (baseline + transformers)
• Analyse d'interprétabilité SHAP/LIME sur les prédictions
• Évaluation de généralisation sur dataset externe

Technologies

Python · PyTorch · BERT · Transformers · SHAP · LIME · Scikit-learn · XGBoost