Розробка інтерпретованого методу класифікації для виявлення дезінформації в охороні здоров'я: вилучення ознак з великої мовної моделі та ансамблеве навчання

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2026.357119

Ключові слова:

виявлення дезінформації, медичні фейкові новини, аналіз настроїв, розпізнавання емоцій

Анотація

Об'єктом цього дослідження є дезінформація в сфері охорони здоров'я, що поширюється через соціальні мережі та онлайн-джерела новин. Дезінформація стала однією з найсерйозніших загроз для окремих осіб та суспільств, і вона особливо небезпечна, коли йдеться про медичну дезінформацію. Зростання кількості неправдивих медичних заяв в Інтернеті приголомшило дослідників, а автоматизовані методи виявлення страждають від кількох проблем, таких як низька точність, нездатність пояснити рішення, отримані за допомогою методів неявного глибокого навчання або спираючись на суворі текстові характеристики. У цій роботі пропонується метод, заснований на великих мовних моделях (LLM) та підході машинного навчання (ML) для пояснимого виявлення дезінформації в секторі охорони здоров'я, та визначає атрибути, властиві хибним твердженням, такі як емоційність та риторичне забарвлення. Мета-штучний інтелект великої мовної моделі (LLaMA) служить шаром для визначення ключових характеристик, а підхід ML класифікує текст за допомогою пояснень. Для інтерпретації окремих прогнозів та визначення того, які характеристики найбільше сприяють прийняттю рішень щодо класифікації, були застосовані адитивні пояснення Шеплі (SHAP). Цей метод продемонстрував високі результати на двох загальнодоступних наборах даних, досягнувши балу F1 приблизно 96%. Висока ефективність пояснюється тим, що медична дезінформація спирається на емоційні маніпуляції та переконливі риторичні моделі, які відрізняються від нейтрального тону надійного медичного контенту. На відміну від існуючих підходів, які досягають подібної точності за допомогою непрозорих методів, запропонований підхід спирається на інтерпретовані ознаки та надає пояснення на основі прогнозів. Запропонований метод може бути застосований в автоматизованих системах модерації контенту та інструментах моніторингу громадського здоров'я

Біографії авторів

Vusal Shahbazov, Institute of Information Technology

PhD Student, Senior Software Developer

Department of Information Protection Methods and Systems

Vagif Mammadaliyev, Institute of Information Technology

PhD Student, Senior Software Developer

Department of Computer Science

Посилання

  1. Wang, Y., McKee, M., Torbica, A., Stuckler, D. (2019). Systematic Literature Review on the Spread of Health-related Misinformation on Social Media. Social Science & Medicine, 240, 112552. https://doi.org/10.1016/j.socscimed.2019.112552
  2. van der Linden, S. (2022). Misinformation: susceptibility, spread, and interventions to immunize the public. Nature Medicine, 28 (3), 460–467. https://doi.org/10.1038/s41591-022-01713-6
  3. Borges do Nascimento, I. J., Beatriz Pizarro, A., Almeida, J., Azzopardi-Muscat, N., André Gonçalves, M. et al. (2022). Infodemics and health misinformation: a systematic review of reviews. Bulletin of the World Health Organization, 100 (9), 544–561. https://doi.org/10.2471/blt.21.287654
  4. Fridman, I., Johnson, S., Elston Lafata, J. (2023). Health Information and Misinformation: A Framework to Guide Research and Practice. JMIR Medical Education, 9, e38687. https://doi.org/10.2196/38687
  5. Suarez-Lledo, V., Alvarez-Galvez, J. (2021). Prevalence of Health Misinformation on Social Media: Systematic Review. Journal of Medical Internet Research, 23 (1), e17187. https://doi.org/10.2196/17187
  6. Cinelli, M., Quattrociocchi, W., Galeazzi, A., Valensise, C. M., Brugnoli, E., Schmidt, A. L. et al. (2020). The COVID-19 social media infodemic. Scientific Reports, 10 (1). https://doi.org/10.1038/s41598-020-73510-5
  7. 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
  8. Choraś, M., Demestichas, K., Giełczyk, A., Herrero, Á., Ksieniewicz, P., Remoundou, K. et al. (2021). Advanced Machine Learning techniques for fake news (online disinformation) detection: A systematic mapping study. Applied Soft Computing, 101, 107050. https://doi.org/10.1016/j.asoc.2020.107050
  9. 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
  10. Pröllochs, N., Bär, D., Feuerriegel, S. (2021). Emotions explain differences in the diffusion of true vs. false social media rumors. Scientific Reports, 11 (1). https://doi.org/10.1038/s41598-021-01813-2
  11. Hamed, S. Kh., Ab Aziz, M. J., Yaakub, M. R. (2023). Fake News Detection Model on Social Media by Leveraging Sentiment Analysis of News Content and Emotion Analysis of Users’ Comments. Sensors, 23 (4), 1748. https://doi.org/10.3390/s23041748
  12. Murugesan, S., Pachamuthu, K. (2022). Fake News Detection in the Medical Field Using Machine Learning Techniques. International Journal of Safety and Security Engineering, 12 (6), 723–727. https://doi.org/10.18280/ijsse.120608
  13. Kolluri, N., Liu, Y., Murthy, D. (2022). COVID-19 Misinformation Detection: Machine-Learned Solutions to the Infodemic. JMIR Infodemiology, 2 (2), e38756. https://doi.org/10.2196/38756
  14. Iwendi, C., Mohan, S., khan, S., Ibeke, E., Ahmadian, A., Ciano, T. (2022). Covid-19 fake news sentiment analysis. Computers and Electrical Engineering, 101, 107967. https://doi.org/10.1016/j.compeleceng.2022.107967
  15. Sikosana, M., Maudsley-Barton, S., Ajao, O. (2025). Advanced Health Misinformation Detection Through Hybrid CNN-LSTM Models Informed by the Elaboration Likelihood Model (ELM). 2025 International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA), 1–11. https://doi.org/10.1109/acdsa65407.2025.11166406
  16. Alghamdi, J., Lin, Y., Luo, S. (2023). Towards COVID-19 fake news detection using transformer-based models. Knowledge-Based Systems, 274, 110642. https://doi.org/10.1016/j.knosys.2023.110642
  17. Guo, Y., Ovadje, A., Al-Garadi, M. A., Sarker, A. (2024). Evaluating large language models for health-related text classification tasks with public social media data. Journal of the American Medical Informatics Association, 31 (10), 2181–2189. https://doi.org/10.1093/jamia/ocae210
  18. Dima, A., Ilis, E., Florea, D., Dascalu, M. (2025). Detection of Fake News in Romanian: LLM-Based Approaches to COVID-19 Misinformation. Information, 16 (9), 796. https://doi.org/10.3390/info16090796
  19. Bojić, L., Zagovora, O., Zelenkauskaite, A., Vuković, V., Čabarkapa, M., Veseljević Jerković, S., Jovančević, A. (2025). Comparing large Language models and human annotators in latent content analysis of sentiment, political leaning, emotional intensity and sarcasm. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-96508-3
  20. Patwa, P., Sharma, S., Pykl, S., Guptha, V., Kumari, G., Akhtar, M. S. et al. (2021). Fighting an Infodemic: COVID-19 Fake News Dataset. Combating Online Hostile Posts in Regional Languages during Emergency Situation, 21–29. https://doi.org/10.1007/978-3-030-73696-5_3
  21. Cui, L., Seo, H., Tabar, M., Ma, F., Wang, S., Lee, D. (2020). DETERRENT: Knowledge Guided Graph Attention Network for Detecting Healthcare Misinformation. Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 492–502. https://doi.org/10.1145/3394486.3403092
  22. Felber, T. (2021). Constraint 2021: Machine Learning Models for COVID-19 Fake News Detection Shared Task. arXiv. https://arxiv.org/abs/2101.03717
  23. Wani, A., Joshi, I., Khandve, S., Wagh, V., Joshi, R. (2021). Evaluating Deep Learning Approaches for Covid19 Fake News Detection. Combating Online Hostile Posts in Regional Languages during Emergency Situation, 153–163. https://doi.org/10.1007/978-3-030-73696-5_15
  24. Karnyoto, A. S., Sun, C., Liu, B., Wang, X. (2022). Augmentation and heterogeneous graph neural network for AAAI2021-COVID-19 fake news detection. International Journal of Machine Learning and Cybernetics, 13 (7), 2033–2043. https://doi.org/10.1007/s13042-021-01503-5
Розробка інтерпретованого методу класифікації для виявлення дезінформації в охороні здоров'я: вилучення ознак з великої мовної моделі та ансамблеве навчання

##submission.downloads##

Опубліковано

2026-06-30

Як цитувати

Shahbazov, V., & Mammadaliyev, V. (2026). Розробка інтерпретованого методу класифікації для виявлення дезінформації в охороні здоров’я: вилучення ознак з великої мовної моделі та ансамблеве навчання. Eastern-European Journal of Enterprise Technologies, 3(2 (141), 87–100. https://doi.org/10.15587/1729-4061.2026.357119

Номер

Том 3 № 2 (141) (2026): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2026 Vusal Shahbazov, Vagif Mammadaliyev

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.