Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανίχνευση ψευδών ειδήσεων και αναξιόπιστων πηγών πληροφόρησης στο διαδίκτυο, μέσω τεχνικών βαθιάς μάθησης και αρχιτεκτονικών μετασχηματιστών (Transformers). Στο θεωρητικό μέρος παρουσιάζονται η έννοια και οι τύποι ψευδών ειδήσεων, τα κίνητρα πίσω από τη δημιουργία τους, καθώς και οι κοινωνικές, πολιτικές και οικονομικές τους επιπτώσεις. Ιδιαίτερη έμφαση δίνεται στον ρόλο των μέσων κοινωνικής δικτύωσης στη ραγδαία διάδοσή τους, καθώς και στις προκλήσεις που αντιμετωπίζουν τα συστήματα αυτόματης ανίχνευσης. Η βιβλιογραφική ανασκόπηση εξετάζει σύγχρονες μεθόδους μηχανικής και βαθιάς μάθησης, με επίκεντρο τα μοντέλα BERT, RoBERTa, DistilBERT και υβριδικές αρχιτεκτονικές CNN-RNN. Το πρακτικό μέρος της εργασίας περιλαμβάνει τη συγκριτική μελέτη πέντε προεκπαιδευμένων μοντέλων ταξινόμησης ειδήσεων (DistilRoBERTa, RoBERTa-base, BERT-base, BERT Tiny και XLM-RoBERTa), τα οποία εφαρμόστηκαν μέσω της πλατφόρμας Google Colab, αξιοποιώντας σύνολα δεδομένων από το Hugging Face. Για κάθε μοντέλο πραγματοποιήθηκε fine-tuning και αξιολόγηση με βάση μετρικές ακρίβειας, ανάκλησης και F1-score. Τα αποτελέσματα έδειξαν ότι τα μοντέλα DistilRoBERTa και RoBERTa-base προσφέρουν εξαιρετική απόδοση (έως και 100% accuracy), ενώ ακόμα και τα ελαφρύτερα μοντέλα, όπως το BERT Tiny, πέτυχαν αξιοσημείωτα αποτελέσματα. Παράλληλα, η εφαρμογή της μεθόδου LIME για την εξήγηση των προβλέψεων των μοντέλων, προσφέροντας διαφάνεια στη λογική τους και ενισχύοντας την κατανόηση της συμπεριφοράς τους σε επίπεδο λέξεων. Η εργασία αναδεικνύει τη σημασία της επιλογής κατάλληλης αρχιτεκτονικής ανάλογα με το εκάστοτε υπολογιστικό περιβάλλον και την εφαρμογή στόχο. Τα συμπεράσματα υποστηρίζουν τη χρήση μετασχηματιστών ως αξιόπιστη λύση για την ανάπτυξη real-time εργαλείων ανίχνευσης παραπληροφόρησης σε ψηφιακά μέσα.

This master's thesis focuses on the detection of fake news and unreliable information sources on the internet through deep learning techniques and transformer architectures. The theoretical part presents the concept and types of fake news, the motivations behind their creation, as well as their social, political, and economic impacts. Special emphasis is placed on the role of social media in the rapid dissemination of disinformation, as well as on the challenges faced by automated detection systems. The literature review examines contemporary machine learning and deep learning methods, with a focus on models such as BERT, RoBERTa, DistilBERT, and hybrid CNN-RNN architectures. The practical part of the thesis includes a comparative study of five pre-trained news classification models (DistilRoBERTa, RoBERTa-base, BERT-base, BERT Tiny, and XLM-RoBERTa), implemented using the Google Colab platform and utilizing datasets from Hugging Face. Each model was fine-tuned and evaluated based on metrics such as accuracy, recall, and F1-score. The results showed that the DistilRoBERTa and RoBERTa-base models offer outstanding performance (reaching up to 100% accuracy), while even lighter models such as BERT Tiny achieved remarkable results. In parallel, the application of the LIME method for explaining the models’ predictions provided transparency in their reasoning and enhanced the understanding of their behavior at the word level. The thesis highlights the importance of selecting the appropriate architecture depending on the computational environment and the target application. The conclusions support the use of transformer-based models as a reliable solution for developing real-time disinformation detection tools in digital media.