{
  "fetched_at": "2026-10-20T00:24:32Z",
  "source_url": "https://www.kaggle.com/competitions/fake-news-prediction-toulouse/data",
  "pages": [
    {
      "name": "rules",
      "content": "# English version #\n### One account per participant ###\nYou cannot log in to Kaggle and submit a solution with multiple accounts.\n\n### No code exchange ###\nThe exchange of codes is strictly prohibited.\n\n### Team merger ###\nYou cannot merge teams during this competition.\n\n### Limit in team size ###\nA team will have a maximum of 2 students. \n\n### Bidding limits ###\nA maximum of 20 submissions per day are allowed\n\n\n### Use of external resources ###\nThe use of external resources (e. g. Wikipedia) to learn your model is allowed. Of course, it is strictly forbidden to download the entire dataset manipulated in this competition and use it in your model. Any violation of this rule will be equivalent to a 0 as a score on this challenge.  \n\n### Evaluation ####\nThe mark awarded will be on 100 points. Each team will have to provide:\n\n- (At least) a submission on the competition page. 20 points will be awarded based on the score and your ranking in the competition (as long as the result is reproducible)\n- A zip archive containing your commented code (the one that created your score on the leaderboard), any preliminary analyses and any external data you have manipulated should be sent to the teaching team. The name of the archive should be the name of your team. We will evaluate your code and therefore the quality of your approach on 60 points. Of these 60 points, 30 points will be dedicated to the quality of the approach from a text mining point of view and the other 30 points will be dedicated to the quality of the approach from a network mining point of view.  The code should be commented on as much as possible. The archive must contain a README.txt file that will explain how to launch your code. We will rely exclusively on these instructions to launch your code and evaluate your performance. If the instructions are not clear, the code incomplete, or if external data is missing in the archive, we will consider your submission as void (i.e. with a score of 0/30 for the first part). Even if Python is the preferred programming language, you are free to choose another programming language. \n- 20 points will finally be allocated to the organization of your code and its clarity. \n\nFinally, the test set was randomly divided into public and private. When you submit a run to the platform, the score obtained will be based on the public part of the test set (30% of the test set). However, the final ranking will be based on the private part of the test set. \n\n----------\n# French version #\n### Un compte par participant ###\nVous ne pouvez pas vous connecter  à Kaggle et soumettre une solution avec plusieurs comptes.\n\n### Pas d'échange de code ###\nL'échange de code est strictement interdit.\n\n### Fusion d'équipe ###\nVous ne pouvez pas fusionnez les équipes lors de cette compétition.\n\n### Limite dans la taille des équipes ###\nUne équipe contiendra au plus 2 étudiants. \n\n### Limites de soumissions ###\nAu plus 20 soumissions par jours sont autorisées\n\n\n### Utilisation de resources externes ###\nL'utilisation de resources externes (par exemple Wikipedia) pour apprendre votre modèle est autorisée. Bien évidemment, il est formellement interdit de télécharger l'intégralité du jeu de données manipulé dans cette compétition et de l'utiliser dans votre modèle. Toute violation de cette règle équivaudra à un 0 comme note sur ce challenge.  \n\n### Évaluation ###\nLa note délivrée sera sur 100 points. Chaque équipe devra fournir :\n\n- (Au moins) une soumission sur la page de la compétition. 20 points seront alloués en fonction du score et de votre classement dans la compétition (pour peu que le résultat soit reproductible)\n- Une archive zip contenant votre code commenté (celui qui est à l'origine de votre score sur le leaderboard), d'éventuelles analyses préliminaires ainsi que les éventuelles données externes que vous avez manipulés devra être envoyé à l'équipe pédagogique. Le nom de l'archive devra être le nom de votre équipe. Nous évaluerons votre code et donc la qualité de votre approche sur 60 points. Sur ces 60 points, 30 points seront dédiés à la qualité de l'approche d'un point de vue text mining et les 30 autres points seront dédiés à la qualité de l'approche d'un point de vue network mining.  Le code devra être aussi commenté que possible. L'archive devra obligatoirement contenir un fichier README.txt qui expliquera comment lancer votre code. Nous nous fierons exclusivement à ces instructions pour lancer votre code et évaluer votre performance. Si les instructions ne sont pas claires, le code incomplet, ou s'il manque des données externes dans l'archive, nous considèrerons votre soumission  comme nulle (donc avec une note de 0/30 pour la première partie). Même si Python est le langage de programmation à privilégier, vous êtes libre de choisir un autre langage de programmation. \n- 20 points seront finalement alloués à l'organisation de votre code ainsi qu'à sa clarté. \n\nEnfin, le jeu de test  a été aléatoirement divisé en public et privé. Lorsque vous soumettrez un run à la plateforme, le score obtenu sera basé sur la partie publique du jeu de test (30% du jeu de test). Par contre, le classement final sera établi sur la partie privée du jeu de test. \n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "## English version ##\nThis directory includes one fake news dataset that contain both the news contents and social context information.\n\n- News directory :\n\n  - training: this directory contains the content of the news in the training set. Each file is a news stored in the txt format and contains the title, the summary and the content  of the news. The name of the txt file is @news_id.txt where @news_id is the identifier of the news.\n  - test: this directory contains the content of the news in the test set. The news are represented in the same format than for the training directory\n- newsUser.txt: the news-user relationship. For example, '240 1 1' means news 240 is posted/spreaded by user 1 for 1 time.\n\n- UserUser.txt: the user-user relationship. For example, '1589 1' means user 1589 is following user 1;\n- labels_training.txt: indicate whether the news in the training set is fake (1) or real (0). For example '23 0' means the news 23 is real.\n- random_submission.txt: an example of submission. The first column is the doc id and the second column is the predicted class (0 for real news and 1 for fake news)\n\n## French version ##\n\nCe répertoire comprend un ensemble de news réelles et fausses décrites à la fois par leur contenu et par leur contexte social.\n\n- Répertoire news:\n\n  - training : ce répertoire contient le contenu des news de l'ensemble d'apprentissage. Chaque fichier est une news stockée au format txt et contient plusieurs informations textuelles sur la news (titre, résumé et contenu) Le nom du fichier txt est @news_id.txt où @news_id est l'identifiant de la news.\n  - test : ce répertoire contient le contenu des news de l'ensemble test. Les nouvelles sont représentées dans le même format que pour l'annuaire de formation.\n- newsUser.txt : la relation news-user. Par exemple,'240 1 1' signifie que l'utilisateur 1 affiche/diffuse la nouvelle 240 pendant 1 fois.\n\n- UserUser.txt : la relation utilisateur-utilisateur. Par exemple,'1589 1' signifie que l'utilisateur 1589 suit l'utilisateur 1 ;\n- labels_training.txt : indique si les news dans le jeu d'apprentissage sont fausses (1) ou réelles (0). Par exemple,'23 0' signifie que la news 23 est réelle.\n- random_submission.txt : un exemple de soumission. La première colonne est l'identifiant de la news et la deuxième colonne est la classe prédite (0 pour les news réelles et 1 pour les fausses news).",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "(French version below)\n## English version\n\n### Deadline\n**Sunday, April 7 2019 at 23h59**\n### Context\n\nThis competition is used as an evaluation for students who follow the \"Text and Network Mining\" module in M1 SID (Paul Sabatier University) and for those who follow the \"Web Mining\" module in M2 SE (Toulouse School of Economics).\n\n### Use Case\nGiven the content of a news and how it has spread on Twitter, can you predict if the news is real or fake?\n\n### Objectives\nTo perform the prediction, you should combine network and text mining techniques.\n\n### References\n\nShu, Kai, Sliva, Amy, Wang, Suhang, Tang, Jiliang & Liu, Huan (2017). Fake News Detection on Social Media: A Data Mining Perspective. ACM SIGKDD Explorations Newsletter, 19, 22-36.\n\nShu, Kai, Wang, Suhang & Liu, Huan (2017). Exploiting Tri-Relationship for Fake News Detection. arXiv preprint arXiv:1712.07709.\n\n----\n\n## French version\n\n### Deadline\n**Dimanche 7 Avril 2019 à 23h59**\n\n### Contexte\n\nCette compétition se déroule dans le contexte des masters \"Statistiques et Econométrie\" de TSE et SID de l'Université Paul Sabatier. Elle s'adresse aux étudiants de M1 SID qui ont suivi le module \"Text and Network Mining\" et à ceux du M2 SE qui ont suivi le module \"Web Mining\". \n\n### Cas d'étude\n\nPour chaque news, vous disposez de son contenu et de la manière dont elle s'est propagée sur le réseau Twitter. Sachant ces informations, serez-vous capable de prédire si la news est fausse ou réelle ? \n\n### Objectif\nVous devez combiner des méthodes d'analyse de réseaux et d'analyses de texte pour proposer un modèle prédictif concernant la véracité de la news.\n\n### Références\n\nShu, Kai, Sliva, Amy, Wang, Suhang, Tang, Jiliang & Liu, Huan (2017). Fake News Detection on Social Media: A Data Mining Perspective. ACM SIGKDD Explorations Newsletter, 19, 22-36.\n\nShu, Kai, Wang, Suhang & Liu, Huan (2017). Exploiting Tri-Relationship for Fake News Detection. arXiv preprint arXiv:1712.07709.\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "## English version \nDuring this competition, the F-measure will serve as the official evaluation metrics. \nYou can find further information on the F-measure metric there:\n\n  - https://en.wikipedia.org/wiki/F1_score\n\n### Submission file format\nThe submission file must have a header and should be formatted as follows.\n\n    doc,class\n    1,0\n    2,1\n    3,0\n    ...\n\nClass equals 0 means the news is predicted to be real whereas class equals 1 means the news is predicted to be fake.\n\n\n## French version\nPendant cette compétition, la F-measureservira de mesure d'évaluation officielle. \nVous trouverez de plus amples informations sur la F-mesure sur la page Wikipédia de cet indicateur :\n  - https://en.wikipedia.org/wiki/F1_score\n\n### Format de fichier de soumission\nLe fichier de soumission doit avoir une en-tête et doit être formaté comme suit.\n\n    doc,class\n    1,0\n    2,1\n    3,0\n    ...\n\nClass égal à 0 signifie que la news est prédite réelle tandis que class égal à 1 signifie que la news est prédite fausse.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}