Розробка безкодового методу для виявлення ознак інформаційно-психологічних впливів в повідомленнях
DOI:
https://doi.org/10.15587/1729-4061.2025.342297Ключові слова:
інформаційно-психологічна операція, семантична мережа, LLM, промпт-інженеринг, безкодова аналітика, ШІ, дезінформаціяАнотація
Об’єктом дослідження є текстові повідомлення, що потенційно містять ознаки інформаційно-психологічних операцій (ІПСО). Роботу спрямовано на вирішення проблеми виявлення ознак ІПСО в медіа-просторі. Запропоновано інноваційний метод виявлення таких ознак, що базується на побудові та аналізі семантичних мереж та реалізується без використання програмного коду шляхом застосування великих мовних моделей (LLM). Це дозволяє створювати формалізовані аналітичні запити до LLM у вигляді безкодової системи, яка ґрунтується на композиції структурованих промптів. Унікальність методу полягає в паралельному аналізі даних із двох джерел знань: внутрішнього та зовнішнього. Внутрішнє містить узагальнені патерни ІПСО, сформовані на основі широкого корпусу даних. Зовнішнє включає верифіковані приклади фейкових повідомлень із соціальних мереж, новинних ресурсів та архівів фактчекінгових організацій. Для підвищення точності аналізу застосовується семантична нормалізація концептів, яка використовує вбудовані вектори для уніфікації термінології, а також порівняння каузальних шляхів у семантичних мережах для виявлення зв’язків. Оцінка ймовірності належності повідомлення до ІПСО формується шляхом агрегації результатів з використанням зваженого середнього, що дозволяє врахувати семантичну та структурну схожість. Наведено приклад застосування методу до аналізу дезінформаційного повідомлення, що демонструє здатність виявляти ключові ознаки психологічного впливу: маніпулятивні наративи, емоційну зарядженість і причинно-наслідкові зв’язки. Запропонований метод є гнучким, відтворюваним і доступним для дослідників без навичок програмування, що робить його цінним інструментом для моніторингу інформаційних загроз і аналізу дезінформації в умовах інформаційних протистоянь
Посилання
- Hassan, S. U., Ahamed, J., Ahmad, K. (2022). Analytics of machine learning-based algorithms for text classification. Sustainable Operations and Computers, 3, 238–248. https://doi.org/10.1016/j.susoc.2022.03.001
- Zgurovsky, M., Lande, D., Dmytrenko, O., Yefremov, K., Boldak, A., Soboliev, A. (2023). Technological Principles of Using Media Content for Evaluating Social Opinion. System Analysis and Artificial Intelligence, 379–396. https://doi.org/10.1007/978-3-031-37450-0_22
- Ahmad Tamerin, A. S., Bakar, N. A. A., Hassan, N. H., Maarop, N. (2023). Counter-Narrative Cyber Security Model to Address the Issues of Cyber Terrorism. Open International Journal of Informatics, 11 (1), 96–113. https://doi.org/10.11113/oiji2023.11n1.30
- Lande, D., Strashnoy, L. (2025). Semantic AI Framework for Prompt Engineering. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.5172867
- Lande, D., Strashnoy, L. (2025). Advanced Semantic Networking based on large language models. Kyiv: Engineering, 264.
- Kingdon, A. (2021). The Meme Is the Method: Examining the Power of the Image Within Extremist Propaganda. Researching Cybercrimes, 301–322. https://doi.org/10.1007/978-3-030-74837-1_15
- Guleria, P. (2024). NLP-based clinical text classification and sentiment analyses of complex medical transcripts using transformer model and machine learning classifiers. Neural Computing and Applications, 37 (1), 341–366. https://doi.org/10.1007/s00521-024-10482-x
- Dhiman, P., Kaur, A., Gupta, D., Juneja, S., Nauman, A., Muhammad, G. (2024). GBERT: A hybrid deep learning model based on GPT-BERT for fake news detection. Heliyon, 10 (16), e35865. https://doi.org/10.1016/j.heliyon.2024.e35865
- Piña-García, C. A. (2025). In-context learning for propaganda detection on Twitter Mexico using large language model meta AI. Telematics and Informatics Reports, 19, 100232. https://doi.org/10.1016/j.teler.2025.100232
- Liu, Z., Zhang, T., Yang, K., Thompson, P., Yu, Z., Ananiadou, S. (2024). Emotion detection for misinformation: A review. Information Fusion, 107, 102300. https://doi.org/10.1016/j.inffus.2024.102300
- Hu, L., Wei, S., Zhao, Z., Wu, B. (2022). Deep learning for fake news detection: A comprehensive survey. AI Open, 3, 133–155. https://doi.org/10.1016/j.aiopen.2022.09.001
- Aïmeur, E., Amri, S., Brassard, G. (2023). Fake news, disinformation and misinformation in social media: a review. Social Network Analysis and Mining, 13 (1). https://doi.org/10.1007/s13278-023-01028-5
- Barabash, O. V., Hryshchuk, R. V., Molodetska-Hrynchuk, K. V. (2018). Identification threats to the state information security in the text content of social networking services. Science-Based Technologies, 38 (2). https://doi.org/10.18372/2310-5461.38.12855
- Lande, D., Hyrda, V. (2024). Use of large language models to identify fake information. Collection “Information Technology and Security,” 12 (2), 236–242. https://doi.org/10.20535/2411-1031.2024.12.2.315743
- Strashnoy, L., Lande, D. (2024). Implementation Of The Concept Of A "Swarm Of Virtual Experts" In The Formation Of Semantic Networks In The Field Of Cybersecurity Based On Large Language Models. https://doi.org/10.2139/ssrn.4978924
- Hryshchuk, R., Molodetska, K., Syerov, Y. (2019). Method of improving the information security of virtual communities in social networking services. CEUR Workshop Proceedings. Available at: https://ceur-ws.org/Vol-2392/paper3.pdf
- Abels, A., Lenaerts, T. (2025). Wisdom from Diversity: Bias Mitigation Through Hybrid Human-LLM Crowds. Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence, 321–329. https://doi.org/10.24963/ijcai.2025/37
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Dmytro Lande, Kostiantyn Yefremov, Artem Soboliev, Ivan Pyshnograiev
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.
