Nie jest tajemnic?, ?e platformy mediów spoleczno?ciowych rozprzestrzeniaj? si? w bezprecedensowym tempie, a wraz z coraz powszechniejszym dost?pem do Internetu, rozpowszechnianie falszywych wiadomo?ci stalo si? szybkim i latwym procesem. Konsekwencje tego zjawiska s? gl?bokie, szczególnie w sferze polityki i edukacji, gdzie wplyw falszywych wiadomo?ci mo?e byc znacz?co destrukcyjny.W tym badaniu wykorzystamy przetwarzanie j?zyka naturalnego (NLP) do przeksztalcania tekstowych naglówków wiadomo?ci w wektory liczbowe. Zbadali?my i porównali?my dwie metody NLP, Bag of Words (BoW) i Term Frequency-Inverse Document Frequency (TF-IDF), aby zobaczyc, jak dobrze dzialaj? przy u?yciu ró?nych algorytmów ML do identyfikacji falszywych wiadomo?ci.B?dziemy u?ywac kilku algorytmów klasyfikacji uczenia maszynowego, w tym Naïve Bayes, regresji logistycznej, Random Forest i Support Vector Machine. Naszym celem bylo zidentyfikowanie najskuteczniejszej techniki NLP do identyfikacji falszywych wiadomo?ci.