Este artículo se centra en los sistemas de verificación de datos basados en aprendizaje automático, específicamente en los métodos de conjunto que combinan diversos clasificadores, para abordar los sesgos psicológicos (como el sesgo de confirmación) que los hacen vulnerables a la difusión de noticias falsas en redes sociales. El rendimiento de los métodos de conjunto existentes depende en gran medida de la diversidad de los clasificadores que los componen, pero su tendencia a aprender patrones superpuestos dificulta la selección de modelos con verdadera diversidad. Para abordar esto, proponemos HierarchySelect, un novedoso método automático de selección de clasificadores que prioriza la diversidad entre ellos y considera su rendimiento. HierarchySelect calcula la diversidad por pares entre clasificadores y aplica agrupamiento jerárquico para agruparlos en diferentes niveles de granularidad. Selecciona un grupo de clasificadores con diferente diversidad en cada nivel y selecciona el grupo más diverso para formar un conjunto. Al incorporar métricas de evaluación que reflejan el rendimiento de cada clasificador, también garantiza el rendimiento de generalización del conjunto. Validamos el rendimiento de nuestro método comparándolo con métodos existentes mediante experimentos con seis conjuntos de datos diversos y 40 clasificadores heterogéneos.
