मल्टीलिंगुअल संदर्भों में फेक न्यूज़ पहचान और संबंधित विषयों के लिए मशीन लर्निंग और डीप लर्निंग दृष्टिकोण: एक व्यवस्थित साहित्य समीक्षा

फेक न्यूज़ का उदय सूचना की अखंडता के लिए एक गंभीर मुद्दा बन गया है, विशेष रूप से निम्न-संसाधन भाषाओं में, जिनमें अक्सर मशीन लर्निंग (ML) और डीप लर्निंग (DL) मॉडलों के लिए पर्याप्त डिजिटलीकृत डेटा और उपकरणों की कमी होती है। यह व्यवस्थित समीक्षा कई भाषाओं में फेक न्यूज़ की पहचान में ML और DL तकनीकों की प्रभावकारिता की जांच करती है, विशेष रूप से निम्न-संसाधन भाषाओं के संबंध में अनुसंधान अंतर पर जोर देते हुए, जो कि मोनोलिंगुअल अंग्रेज़ी पर केंद्रित व्यापक अध्ययनों के विपरीत है। हमने कई डेटाबेस में व्यापक खोज की, 1,567 रिकॉर्ड को स्क्रीन किया और परिभाषित समावेशन और बहिष्कार मानदंडों के आधार पर हमारे अंतिम विश्लेषण में 85 अध्ययनों को शामिल किया। इसके अलावा, समीक्षा ने फेक न्यूज़ और अफवाहों की विभिन्न परिभाषाओं, सार्वजनिक रूप से उपलब्ध डेटा सेटों और पहचान विधियों में सामान्यतः उपयोग किए जाने वाले मूल्यांकन उपकरणों का अन्वेषण किया। हमने पारंपरिक और उन्नत ML और DL तकनीकों का व्यापक विश्लेषण प्रदान किया है, प्रमुख चुनौतियों और भविष्य के शोध के संभावित मार्गों को उजागर किया। जबकि ये उन्नत मॉडल महत्वपूर्ण सुधार लाए हैं, इनके कुछ सीमाएं भी हैं। उदाहरण के लिए, ट्रांसफॉर्मर मॉडल अपनी शक्ति के बावजूद प्रशिक्षण डेटा से पूर्वाग्रहों को अनजाने में ग्रहण कर सकते हैं, जो उनकी प्रदर्शन क्षमता को विभिन्न डोमेन या भाषाओं में प्रभावित कर सकता है। हाइब्रिड मॉडल, जबकि क्षमताओं को बढ़ाते हैं, उन्हें कंप्यूटेशनल लागत और स्केलेबिलिटी से जुड़ी चुनौतियों का सामना करना पड़ सकता है। इसके अलावा, बड़े डेटा सेटों और जटिल वास्तुकलाओं पर निर्भरता इन मॉडलों की फेक न्यूज़ पहचान के लिए निम्न-संसाधन परिवेशों या रियल-टाइम अनुप्रयोगों में प्रायोगिकता को सीमित कर सकती है। परिणामस्वरूप, जबकि उन्नत मॉडल और विशेषताओं का समाकलन FND को आगे बढ़ा चुका है, इन चुनौतियों को संबोधित करने और विभिन्न संदर्भों में मॉडल की प्रयोज्यता सुधारने के लिए जारी शोध आवश्यक है। भविष्य के कार्यों को पूर्वाग्रहों को कम करने, मॉडल दक्षता में सुधार करने, और इन मॉडलों को निम्न-संसाधन परिवेशों और रियल-टाइम परिदृश्यों में अनुकूलित करने के तरीकों के विकास पर ध्यान केंद्रित करना चाहिए। यह अध्ययन विभिन्न भाषाई संदर्भों में FND को आगे बढ़ाने और इन चुनौतियों को पार करने के लिए भविष्य के शोध का एक व्यापक रोडमैप प्रदान करता है।