Fake news: a brief tertiary review through health, deep learning, and emerging perspectives

Abstract

Context: The proliferation of fake news represents a significant social threat, especially regarding health in-formation, a problem exacerbated by the COVID-19 pandemic. Deep Learning (DL) techniques are central to detection efforts, with increasing focus on health-related misinformation. Objective: This paper extends our previous work, synthesizing secondary studies (SS) on fake news detection, focusing on DL roles, the health domain, and recent trends (2022-2023). Method: A rapid tertiary review was conducted, analyzing 15 SS published between 2013 and August 2023, categorized by emphasis: DL applications, health misinformation, or recent publications. Results: A consistent dependence on DL and Natural Language Processing for text classification and fabricated media detection was identified. Health-focused or recent trend studies addressed challenges using specific datasets. Key challenges include echo chambers, cross-domain applications, early detection needs, and threats from generative models. Demands for transparency, blocking mechanisms, and Explainable Artificial Intelligence were highlighted. Conclusion: This review provides a synthesized view of research on fake news detection, emphasizing intersections with DL and health contexts, confirming the prevalence of core techniques despite diverse methodologies, and pointing to challenges requiring urgent attention.

La proliferación de noticias falsas representa una amenaza social significativa, especialmente en información de salud, problema exacerbado por la pandemia de Covid-19. Las técnicas de Aprendizaje Profundo (DL) son centrales en los esfuerzos de detección, con enfoque creciente en la desinformación relacionada con la salud. Objetivo: Este artículo extiende el trabajo previo de los autores, sintetizando estudios secundarios (ES) sobre detección de noticias falsas, centrándose en los roles del DL, el dominio de la salud y tendencias recientes (2022-2023). Método: Se realizó una revisión terciaria rápida analizando 15 ES publicados entre 2013 y agosto de 2023, categorizados por énfasis: aplicaciones de DL, desinformación en salud o publicación reciente. Resultados: Se identificó una dependencia consistente en DL y Procesamiento de Lenguaje Natural para clasificación de textos y detección de medios fabricados. Estudios enfocados en salud o tendencias recientes abordaron desafíos usando conjuntos de datos específicos. Los principales desafíos incluyen cámaras de eco, aplicaciones entre dominios, necesidad de detección temprana y amenazas de modelos generativos. Se destacaron demandas de transparencia, mecanismos de bloqueo e Inteligencia Artificial Explicable. Conclusión: Esta revisión proporciona una visión sintetizada de la investigación en detección de noticias falsas, enfatizando intersecciones con DL y contextos de salud, confirmando la prevalencia de técnicas centrales a pesar de metodologías diversas, y señalando desafíos que requieren atención urgente.