{
  "fetched_at": "2026-10-19T19:11:06Z",
  "source_url": "https://www.kaggle.com/competitions/2024-1-gm-skku/data",
  "pages": [
    {
      "name": "data-description",
      "content": "## Files\n- **train.csv** - the training set\n- **test.csv** - the test set / test 데이터의 label은 제공되지 않습니다.\n- **sample_submission.csv** - a sample submission file in the correct format/\n리더보드에 제출하는 양식입니다. 해당 양식을 지키지 않을 시 채점이 안될 수 있습니다.\n\n\n## Columns\n- `id` - 고유 id\n- `label` - label (test.csv 에는 없음) / 0은 일반 뉴스, 1은 가짜 뉴스\n- `claim` - fakenews claim\n- `published_date` - 출간 날짜\n- `ner_keywords` - BERT-NER를 이용하여 claim text에서 keyword 추출\n- `keybert_keywords` - KeyBERT를 이용하여 claim text에서 keyword 추출\n- `youtube0~9` - ner_keywords or keybert_keywords로 Youtube 검색하여 상위 10개의 관련도 높은 비디오의 title과 description 추출",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "# Task Description\n\n## [Background]\n코로나바이러스 감염증(이하 COVID-19)이 세계적으로 유행하면서, COVID-19에 대한 근거없는 루머나 음모 등의 가짜뉴스가 소셜미디어를 통해 빠르게 확산되었습니다 (Zarocostas, 2020). 질병에 대한 잘못된 정보는 사람들이 제대로 된 건강 수칙이나 정부 정책들을 알기 어렵게 하여 종국에는 신체적, 정신적 피해를 야기시킬 수 있습니다 (Tasnim et al., 2020). 이러한 피해를 막기 위하여 가짜뉴스를 사전에 탐지하는 것은 중요합니다.\n- Zarocostas, J. (2020). How to fight an infodemic. The lancet, 395(10225), 676.\n- Tasnim, S., Hossain, M. M., & Mazumder, H. (2020). Impact of rumors and misinformation on COVID-19 in social media. Journal of preventive medicine and public health, 53(3), 171-174.\n\n## [Our goal]\n- COVID-19 관련 가짜뉴스 탐지를 위해 Graph Neural Network 기법을 사용하여 Node Classification\n\n## [Dataset]\n- COVID 관련 데이터셋\n    - FakeCovid (Shahi and Nandini, 2020)\n    - CoAID (Cui and Lee, 2020)\n- Non-COVID 관련 데이터셋\n    - fact-checking 웹사이트 : Politifact, Snopes\n\n## [Experiment setting]\n- Train COVID dataset : 2020년 4월 1일 이전에 발생한 COVID-19 관련 뉴스 보도\n- Test COVID dataset : 2020년 4월 1일 이후에 발생한 COVID-19 관련 뉴스 보도\n\n\n\n--- \n\n\n# Submission Rules\n\n## [Submission]\n- 1일 최대 Public 등록 5회, Private 등록 5회까지 가능합니다.\n- Private 등록은 Public 등록 결과물에서 선택할 수 있으며, 선택하지 않을 경우 default로 Public 점수 중 가장 높은 결과물로 제출됩니다.\n\n## [Score]\n- 순위 경쟁을 통해 점수를 차등 부여(상대평가)합니다.\n- 여러번 submission을 할 수 있기 때문에 테스트데이터셋에 대한 Overfitting이 생길 수 있습니다. 이를 막기 위해 테스트 데이터셋을 70:30으로 나눠, 70%로는 Public Rank를 구하고, 나머지 30%로는 Private Rank를 측정합니다. 스코어보드에서 확인 가능한 점수는 Public Rank이며, Private Rank는 Competition이 종료된 후 확인 가능합니다.\n- 실제 성적에 반영되는 순위는 Public Rank + Private Rank 로 계산됩니다.\n\n## [Report]\n- Graph 구축 방식엔 정답이 없으며, 성능 향상을 위해 수업 중에 배우지 않은 방법을 활용해도 좋습니다.\n- 단, 보고서를 통해 어떻게 Graph를 구축했으며, 어떤 기술을 사용했는지, 왜 사용했는지 설명할 수 있어야 합니다.\n- 순위가 낮더라도 보고서의 설명이 납득 가능하다면 높은 점수를 받을 수 있고, 반대로 순위가 높아도 충분한 설명이 없다면 낮은 점수를 받을 수 있습니다.\n- 제출한 결과를 입증하기 위해 사용한 코드 제출을 요청할 수도 있습니다.\n\n## [Cheating Policy]\n- 다른 학우의 아이디어를 활용할 경우, 보여준 사람과 본 사람 모두 F처리 됩니다.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": " - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "## Graph Learning을 활용한 COVID-19 가짜 뉴스 탐지 프로젝트\n성균관대학교 2024년 1학기 인터랙티브 그래프마이닝 (기말 프로젝트)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}