---
license: mit
language: ms
tags:
  - text-classification
  - multi-label
  - malay
  - fact-checking
  - misinformation
  - bert
datasets:
  - checkfakta10
model-index:
  - name: 10FactCheck (Malay)
    results: []
---

# 10FactCheck (Malay Multi-label Fact-checking)

`10FactCheck` ialah model Bahasa Melayu yang dilatih untuk **multi-label classification** — mengenal pasti 10 kriteria utama dalam penilaian fakta sesuatu maklumat atau berita tular. Ia berguna untuk proses semakan fakta automatik dalam konteks Malaysia.

## 🔍 Senarai Label

Model ini meramalkan 10 label berikut:

| Label                | Maksud |
|----------------------|--------|
| `has_fact_value`     | Adakah maklumat ini bernilai untuk semakan fakta? |
| `causes_confusion`   | Adakah boleh menyebabkan kekeliruan? |
| `causes_chaos`       | Adakah boleh mencetuskan huru-hara? |
| `affects_government` | Adakah berkait dengan kerajaan/pentadbiran? |
| `impacts_economy`    | Adakah memberi impak ekonomi segera? |
| `breaks_law`         | Adakah melanggar undang-undang? |
| `public_interest`    | Adakah dalam kepentingan awam? |
| `life_threatening`   | Adakah membahayakan nyawa? |
| `already_viral`      | Adakah sudah tular? |
| `time_sensitive`     | Adakah perkara ini perlu disemak segera? |

---

## 🧠 Model Details

- Base model: `rmtariq/ft-Malay-bert`
- Fine-tuned by: **Dr. RM Tariqi @ Temight™**
- Dataset: `CheckFakta10.csv` (berita viral + kolum manual dari pemerhati fakta)
- Trained with: Hugging Face Transformers, PyTorch, Colab A100

---

## 📦 How to Use

```python
from transformers import pipeline

classifier = pipeline("text-classification", model="rmtariq/10factcheck", tokenizer="rmtariq/10factcheck", top_k=None, function_to_apply="sigmoid")

text = "Kenyataan ini tular di media sosial dan berk