Розроблення інформаційної технології виявлення джерел та мереж розповсюдження дезінформації в кіберпросторі на основі методів машинного навчання

Автор(и)

  • Вікторія Анатоліївна Висоцька Національний університет «Львівська політехніка», Україна https://orcid.org/0000-0001-6417-3689
  • Марія Андріївна Назаркевич Національний університет «Львівська політехніка», Україна https://orcid.org/0000-0002-6528-9867

DOI:

https://doi.org/10.15587/1729-4061.2025.335501

Ключові слова:

виявлення джерел дезінформації, машинне навчання, мережа розповсюдження дезінформації, фейкова новина, подібність тексту

Анотація

Об’єкт дослідження – процеси виявлення джерел та мереж розповсюдження дезінформації в кіберпросторі світу. Зі зростанням впливу соціальних мереж на громадську думку питання виявлення та нейтралізації пропагандистських повідомлень набуває особливої актуальності. Традиційні методи боротьби з пропагандою як ручна модерація контенту виявилися недостатньо ефективними через великий обсяг інформації, що генерується щодня. Важливим є застосування методів опрацювання природної мови та машинного навчання для аналізу тексту, виявлення джерел розповсюдження дезінформації та неавтентичної поведінки ботів. На основі аналізу існуючих методів інтелектуального пошуку дезінформації розроблено методи виявлення джерел та шляхів розповсюдження дезінформації в кіберпросторі через пошук подібних ланцюгів тексту та аналізу подібності стилю написання. Гібридне векторне подання дозволяє охопити поверхневі частотні характеристики тексту та семантичні особливості, що позитивно позначається на якості класифікації. Косинусова подібність, Жаккар, Левенштейн та Word2Vec використовують для вимірювання подібності. Кластеризація (DBSCAN, K-Means) допомагає групувати фейкові повідомлення. Графовий аналіз виявляє центральні акаунти та бот-мережі. Оцінювання продуктивності моделі за ключовими метриками показало надійні результати для виявлення джерел розповсюдження дезінформації: accuracy – 0.82, F1.3 – 0.8, ROC-AUC – 0.86. Виявлені відмінності у лексичних патернах для класів «фейк» і «правда» підтверджують здатність моделі вловлювати змістовні особливості текстів. Запропонований метод виявлення шляхів розповсюдження дезінформації слугує основою для побудови масштабованих систем моніторингу інформаційного простору та адаптації до інших задач текстової класифікації.

Біографії авторів

Вікторія Анатоліївна Висоцька, Національний університет «Львівська політехніка»

Доктор технічних наук, професор

Кафедра інформаційних систем та мереж

Марія Андріївна Назаркевич, Національний університет «Львівська політехніка»

Доктор технічних наук, професор

Кафедра інформаційних систем та мереж

Посилання

  1. Kaliyar, R. K., Goswami, A., Narang, P., Sinha, S. (2020). FNDNet – A deep convolutional neural network for fake news detection. Cognitive Systems Research, 61, 32–44. https://doi.org/10.1016/j.cogsys.2019.12.005
  2. Sahoo, S. R., Gupta, B. B. (2021). Multiple features based approach for automatic fake news detection on social networks using deep learning. Applied Soft Computing, 100, 106983. https://doi.org/10.1016/j.asoc.2020.106983
  3. Xue, J., Wang, Y., Tian, Y., Li, Y., Shi, L., Wei, L. (2021). Detecting fake news by exploring the consistency of multimodal data. Information Processing & Management, 58 (5), 102610. https://doi.org/10.1016/j.ipm.2021.102610
  4. Wang, X., Xie, H., Ji, S., Liu, L., Huang, D. (2023). Blockchain-based fake news traceability and verification mechanism. Heliyon, 9 (7), e17084. https://doi.org/10.1016/j.heliyon.2023.e17084
  5. Martín, A., Huertas-Tato, J., Huertas-García, Á., Villar-Rodríguez, G., Camacho, D. (2022). FacTeR-Check: Semi-automated fact-checking through semantic similarity and natural language inference. Knowledge-Based Systems, 251, 109265. https://doi.org/10.1016/j.knosys.2022.109265
  6. Liu, X., Qi, L., Wang, L., Metzger, M. J. (2023). Checking the Fact-Checkers: The Role of Source Type, Perceived Credibility, and Individual Differences in Fact-Checking Effectiveness. Communication Research. https://doi.org/10.1177/00936502231206419
  7. Guo, Z., Schlichtkrull, M., Vlachos, A. (2022). A Survey on Automated Fact-Checking. Transactions of the Association for Computational Linguistics, 10, 178–206. https://doi.org/10.1162/tacl_a_00454
  8. Shahbazi, Z., Byun, Y.-C. (2021). Fake Media Detection Based on Natural Language Processing and Blockchain Approaches. IEEE Access, 9, 128442–128453. https://doi.org/10.1109/access.2021.3112607
  9. Elzayady, H., S. Mohamed, M., M. Badran, K., I. Salama, G. (2022). Detecting Arabic textual threats in social media using artificial intelligence: An overview. Indonesian Journal of Electrical Engineering and Computer Science, 25(3), 1712. https://doi.org/10.11591/ijeecs.v25.i3.pp1712-1722
  10. Saquete, E., Tomás, D., Moreda, P., Martínez-Barco, P., Palomar, M. (2020). Fighting post-truth using natural language processing: A review and open challenges. Expert Systems with Applications, 141, 112943. https://doi.org/10.1016/j.eswa.2019.112943
  11. Shu, K., Sliva, A., Wang, S., Tang, J., Liu, H. (2017). Fake News Detection on Social Media. ACM SIGKDD Explorations Newsletter, 19 (1), 22–36. https://doi.org/10.1145/3137597.3137600
  12. Nguyen, V. H., Sugiyama, K., Nakov, P., Kan, M. Y. (2022). FANG: Leveraging social context for fake news detection using graph representation. Communications of the ACM, 65 (4), 124–132. https://doi.org/10.1145/3517214
  13. Vosoughi, S., Roy, D., Aral, S. (2018). The spread of true and false news online. Science, 359 (6380), 1146–1151. https://doi.org/10.1126/science.aap9559
  14. Pennycook, G., Bear, A., Collins, E. T., Rand, D. G. (2020). The Implied Truth Effect: Attaching Warnings to a Subset of Fake News Headlines Increases Perceived Accuracy of Headlines Without Warnings. Management Science, 66 (11), 4944–4957. https://doi.org/10.1287/mnsc.2019.3478
  15. Zhou, X., Zafarani, R. (2020). A survey of fake news: Fundamental theories, detection methods, and opportunities. ACM Computing Surveys (CSUR), 53 (5), 1–40. https://doi.org/10.1145/3395046
  16. Shu, K., Bernard, H. R., Liu, H.; Agarwal, N., Dokoohaki, N., Tokdemir, S. (Eds.) (2019). Studying Fake News via Network Analysis: Detection and Mitigation. Emerging Research Challenges and Opportunities in Computational Social Network Analysis and Mining. Cham: Springer, 43–65. https://doi.org/10.1007/978-3-319-94105-9_3
  17. Thorne, J., Vlachos, A. (2018). Automated fact checking: Task formulations, methods and future directions. Proceedings of the 27th International Conference on Computational Linguistics, 3346–3359. Available at: https://aclanthology.org/C18-1283/
  18. Hanselowski, A., Zhang, H., Li, Z., Sorokin, D., Schiller, B., Schulz, C., Gurevych, I. (2018). UKP-Athene: Multi-Sentence Textual Entailment for Claim Verification. Proceedings of the First Workshop on Fact Extraction and VERification (FEVER), 103–108. https://doi.org/10.18653/v1/w18-5516
  19. Vysotska, V., Przystupa, K., Kulikov, Y., Chyrun, S., Ushenko, Y., Hu, Z., Uhryn, D. (2025). Recognizing Fakes, Propaganda and Disinformation in Ukrainian Content based on NLP and Machine-learning Technology. International Journal of Computer Network and Information Security, 17 (1), 92–127. https://doi.org/10.5815/ijcnis.2025.01.08
  20. Vysotska, V., Chyrun, L., Chyrun, S., Holets, I. (2024). Information technology for identifying disinformation sources and inauthentic chat users’ behaviours based on machine learning. CEUR Workshop Proceedings. Available at: https://ceur-ws.org/Vol-3723/paper24.pdf
  21. Martseniuk, M., Kozachok, V., Bohdanov, O., Iosifov, I., Brzhevska, Z. (2023). Analysis of methods for detecting misinformation in social networks using machine learning. Cybersecurity: Education, Science, Technique, 2 (22), 148–155. https://doi.org/10.28925/2663-4023.2023.22.148155
  22. Berrondo-Otermin, M., Sarasa-Cabezuelo, A. (2023). Application of Artificial Intelligence Techniques to Detect Fake News: A Review. Electronics, 12 (24), 5041. https://doi.org/10.3390/electronics12245041
  23. Saeidnia, H. R., Hosseini, E., Lund, B., Tehrani, M. A., Zaker, S., Molaei, S. (2025). Artificial intelligence in the battle against disinformation and misinformation: a systematic review of challenges and approaches. Knowledge and Information Systems, 67 (4), 3139–3158. https://doi.org/10.1007/s10115-024-02337-7
  24. Vysotska, V., Przystupa, K., Chyrun, L., Vladov, S., Ushenko, Y., Uhryn, D., Hu, Z. (2024). Disinformation, Fakes and Propaganda Identifying Methods in Online Messages Based on NLP and Machine Learning Methods. International Journal of Computer Network and Information Security, 16(5), 57–85. https://doi.org/10.5815/ijcnis.2024.05.06
  25. Vysotska, V., Nazarkevych, M., Vladov, S., Lozynska, O., Markiv, O., Romanchuk, R., Danylyk, V. (2024). Devising a method for detecting information threats in the Ukrainian cyber space based on machine learning. Eastern-European Journal of Enterprise Technologies, 6 (2 (132)), 36–48. https://doi.org/10.15587/1729-4061.2024.317456
Розроблення інформаційної технології виявлення джерел та мереж розповсюдження дезінформації в кіберпросторі на основі методів машинного навчання

##submission.downloads##

Опубліковано

2025-08-29

Як цитувати

Висоцька, В. А., & Назаркевич, М. А. (2025). Розроблення інформаційної технології виявлення джерел та мереж розповсюдження дезінформації в кіберпросторі на основі методів машинного навчання. Eastern-European Journal of Enterprise Technologies, 4(2 (136), 35–51. https://doi.org/10.15587/1729-4061.2025.335501

Номер

Том 4 № 2 (136) (2025): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2025 Victoria Vysotska, Mariia Nazarkevych

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.