Comparative Evaluation of Traditional Machine Learning and Transformer Models for Fake News Detection

Diese Studie benchmarkt systematisch vier traditionelle Modelle des maschinellen Lernens gegen vier Transformer-basierte Modelle über fünf öffentliche Datensätze hinweg und zeigt auf, dass Transformer-Architekturen wie RoBERTa die traditionellen Methoden zwar bei der Genauigkeit der Erkennung von Fake News signifikant übertreffen, jedoch erheblich höhere Rechenkosten verursachen, wodurch sie kritische Erkenntnisse über die Abwägung bei der Modellauswahl unter variierenden Ressourcenbeschränkungen liefern.

Ursprüngliche Autoren: Kazi Abdul Mannan, Md. Jubaer Ahmed Aronno, Rumana Akhter Anika