Розробка алгоритму класифікації та методу підсилення для виявлення фейкових новин: фільтрація та орієнтація

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2026.352117

Ключові слова:

фейкові новини, соціальні мережі, інфодемія, машинне навчання, автоматичне виявлення дезінформації

Анотація

Об'єктом цього дослідження є текстовий новинний контент, що розповсюджується через онлайн-медіа та платформи соціальних мереж, представлений у вигляді векторних об'єктів, сформованих на основі неструктурованих текстових даних та використаних для подальшого автоматизованого аналізу. Проблема, що вирішується в цьому дослідженні, полягає в обмеженій ефективності, стабільності та узагальнюючій здатності традиційних методів машинного навчання у виявленні фейкових новин, особливо в умовах неоднорідних наборів даних, зашумлених текстових характеристик та динамічно змінних лінгвістичних шаблонів, що негативно впливає на якість класифікації.

У статті пропонується метод підвищення ефективності машинного навчання на основі комбінованого використання SVM та алгоритму AdaBoost. Для формування інформативного представлення текстових даних використовується складна попередня обробка та вилучення ознак за допомогою моделі TF-IDF. Експериментальна перевірка методу була проведена на чотирьох відкритих наборах даних: ISOT, Kaggle, News Trends та Reuters.

Результати показують, що запропонована ансамблева модель SVM з AdaBoost перевершує базовий класифікатор SVM та низку традиційних алгоритмів. Точність збільшилася з 0,8175 для базової моделі до 0,83 для SVM+AdaBoost, тоді як запам'ятовування збільшилося на 4,02%, середня точність запам'ятовування збільшилася на 2,22%, а індекс F1 збільшився на 1,84%, тоді як стабільність точності тесту знизилася лише незначно на 0,19%. Покращення пояснюється адаптивним покращенням AdaBoost внеску важко класифікованих об'єктів та зменшенням кількості помилок при помірній обчислювальній складності.

Розроблений підхід може бути ефективно застосований в автоматизованих системах моніторингу новинного контенту та соціальних мереж за наявності розмічених текстових даних та обмежених обчислювальних ресурсів

Біографії авторів

Zhanna Suimenbayeva, ALT University

Master of Technology, Head

Office of Innovative Projects

Pramod Kumar Aylapogu, B.V. Raju Institute of Technology

Professor

Department of Electrical Communication Engineering

Ruslan Kassym, ALT University; University of Jaén

Supervisor Project, Researcher

Department of Information and Communication Technologies

Department of Electrical Engineering

Arai Tolegenova, S.Seifullin Kazakh Agrotechnical Research University

PhD, Associate Professor

Department of Information Communication Technologies

Begaidar Sarsekulov, S.Seifullin Kazakh Agrotechnical Research University

Researcher

Department of Information Communication Technologies

Nurlan Suimenbayev, “INSAT Alatau” LLP

Director

Yerdaulet Beibit, ALT University

Researcher

Department of Radio Engineering and Telecommunication

Akmaral Tlenshiyeva, ALT University

Senior Lector

Department Information Communication Technologies

Ayaulym Kassym, Nazarbayev University

Doctoral Student

School of Sciences and Humanities (SSH)

Mussapirova Gulzada, ALT University

Candidate of Technical Sciences, Associate Professor

Department of Radio Engineering and Telecommunication

Посилання

  1. Zhou, X., Zafarani, R. (2020). A Survey of Fake News. ACM Computing Surveys, 53 (5), 1–40. https://doi.org/10.1145/3395046
  2. Yang, K.-C., Torres-Lugo, C., Menczer, F. (2020). Prevalence of low-credibility information on twitter during the covid-19 outbreak. Workshop: Workshop on Cyber Social Threats (CySoc 2020). https://doi.org/10.36190/2020.16
  3. Jamieson, K. H., Cappella, J. N. (2008). Echo chamber: Rush Limbaugh and the conservative media establishment. Oxford University Press.
  4. Holan, A. D. (2016). 2016 Lie of the Year: Fake news. Available at: https://www.politifact.com/article/2016/dec/13/2016-lie-year-fake-news/
  5. 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
  6. Allcott, H., Gentzkow, M. (2017). Social Media and Fake News in the 2016 Election. Journal of Economic Perspectives, 31 (2), 211–236. https://doi.org/10.1257/jep.31.2.211
  7. Gundapu, S., Mamidi, R. (2021). Transformer based Automatic COVID-19 Fake News Detection System. arXiv. https://doi.org/10.48550/arXiv.2101.00180
  8. Koggalahewa, D., Xu, Y., Foo, E. (2022). An unsupervised method for social network spammer detection based on user information interests. Journal of Big Data, 9 (1). https://doi.org/10.1186/s40537-021-00552-5
  9. Kesarwani, A., Chauhan, S. S., Nair, A. R., Verma, G. (2020). Supervised Machine Learning Algorithms for Fake News Detection. Advances in Communication and Computational Technology, 767–778. https://doi.org/10.1007/978-981-15-5341-7_58
  10. Thakar, H., Bhatt, B. (2024). Fake news detection: recent trends and challenges. Social Network Analysis and Mining, 14 (1). https://doi.org/10.1007/s13278-024-01344-4
  11. Ahmad, I., Yousaf, M., Yousaf, S., Ahmad, M. O. (2020). Fake News Detection Using Machine Learning Ensemble Methods. Complexity, 2020, 1–11. https://doi.org/10.1155/2020/8885861
  12. Gao, Q., Lantz, N. (2022). Using Machine Learning Algorithms to Detect Fake News. Journal of Student Research, 11 (4). https://doi.org/10.47611/jsrhs.v11i4.3446
  13. Vijjali, R, Potluri, P., Kumar, S., Teki, S (2020). Two Stage Transformer Model for COVID-19 Fake News Detection and Fact Checking. arXiv. https://doi.org/10.48550/arXiv.2011.13253
  14. Kaur, S., Kumar, P., Kumaraguru, P. (2019). Automating fake news detection system using multi-level voting model. Soft Computing, 24 (12), 9049–9069. https://doi.org/10.1007/s00500-019-04436-y
  15. Mahabub, A. (2020). A robust technique of fake news detection using Ensemble Voting Classifier and comparison with other classifiers. SN Applied Sciences, 2 (4). https://doi.org/10.1007/s42452-020-2326-y
  16. Umer, M., Imtiaz, Z., Ullah, S., Mehmood, A., Choi, G. S., On, B.-W. (2020). Fake News Stance Detection Using Deep Learning Architecture (CNN-LSTM). IEEE Access, 8, 156695–156706. https://doi.org/10.1109/access.2020.3019735
  17. 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
  18. Fake News. University of Victoria. Available at: https://libguides.uvic.ca/fakenews
  19. Ozbay, F. A., Alatas, B. (2020). Fake news detection within online social media using supervised artificial intelligence algorithms. Physica A: Statistical Mechanics and Its Applications, 540, 123174. https://doi.org/10.1016/j.physa.2019.123174
  20. Sultan, A., Yermoldina, G., Kassym, R., Serikov, T., Bekbosynov, S., Yernazarov, N. et al. (2024). Research and construction of an adaptive drive with increased efficiency based on a balancing friction clutch. Vibroengineering Procedia, 54, 334–340. https://doi.org/10.21595/vp.2024.23971
  21. Nagima, B., Kumar, P., Suman, N., Serikov, T., Temirbekova, M., Sergazin, G. et al. (2024). Development of an innovative patch antenna design and implementation using ENG materials for health care systems and 5G networks. Eastern-European Journal of Enterprise Technologies, 4 (5 (130)), 26–33. https://doi.org/10.15587/1729-4061.2024.309080
  22. Yelikbai, K., Kumar, P., Serikov, T., Temirbekova, M., Mussapirova, G., Arai, T. et al. (2025). Improving inteligent reflective surface efficiency using ENG-metamaterials and L-shaped patch antennas in a dynamic radio environment. EUREKA: Physics and Engineering, 4, 99–109. https://doi.org/10.21303/2461-4262.2025.003914
Розробка алгоритму класифікації та методу підсилення для виявлення фейкових новин: фільтрація та орієнтація

##submission.downloads##

Опубліковано

2026-02-27

Як цитувати

Suimenbayeva, Z., Aylapogu, P. K., Kassym, R., Tolegenova, A., Sarsekulov, B., Suimenbayev, N., Beibit, Y., Tlenshiyeva, A., Kassym, A., & Gulzada, M. (2026). Розробка алгоритму класифікації та методу підсилення для виявлення фейкових новин: фільтрація та орієнтація. Eastern-European Journal of Enterprise Technologies, 1(2 (139), 25–35. https://doi.org/10.15587/1729-4061.2026.352117

Номер

Том 1 № 2 (139) (2026): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2026 Zhanna Suimenbayeva, Pramod Kumar Aylapogu, Ruslan Kassym, Arai Tolegenova, Begaidar Sarsekulov, Nurlan Suimenbayev, Yerdaulet Beibit, Akmaral Tlenshiyeva, Ayaulym Kassym, Mussapirova Gulzada

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.