Détection de fausses informations dans les réseaux sociaux

Detection of misleading information on social networks

• Auteur / Autrice : Cédric Maigrot
• Direction : Laurent Amsaleg
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 01/04/2019
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : ComuE : Université Bretagne Loire (2016-2019)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en informatique et systèmes aléatoires (Rennes) - LinkMedia

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Traitement du signal

Réseaux sociaux (Internet)

Infox

Diffusion d'informations fausses et trompeuses

Mots clés libres

Fausses informations

Réseaux sociaux

Crédibilité de la source

Traitement des langues

Analyse du signal

False information

Social networks

Source trustworthiness

Natural language processing

Signal analysis

Résumé

Les fausses informations se multiplient et se propagent rapidement sur les réseaux sociaux. Dans cette thèse, nous analysons les publications d’un point de vue multimodal entre le texte et l’image associée. Plusieurs études ont été menées durant cette thèse. La première compare plusieurs types de médias présents sur les réseaux sociaux et vise à les discriminer de manière automatique. La second permet la détection et la localisation de modifications dans une image grâce à la comparaison avec une ancienne version de l’image. Enfin, nous nous sommes intéressés à des fusions de connaissances basées sur les prédictions d’autres équipes de recherche afin de créer un système unique.

False information are multiplying and are spreading quickly on social networks. In this thesis, we analyze the publications from a multimodal point of view between the text and the associated image. Several studies were conducted during this thesis. The first compares several types of media present on social networks and aims to discriminate them automatically. The second one allows the detection and the localization of modifications in an image thanks to the comparison with an old version of this image. Finally, we focused on merged knowledge based on the predictions of other research teams to create a single system.