СУЧАСНІ ПІДХОДИ ДО ВИЯВЛЕННЯ ТА ПРОТИДІЇ ДЕЗІНФОРМАЦІЇ В ІНФОРМАЦІЙНИХ СИСТЕМАХ: АНАЛІЗ ТА ВДОСКОНАЛЕННЯ

Наталія Савіцька; Ірина Юрчак

У даній науковій статті проаналізовано та охарактеризовано різні типи неправдивої інформації, що поширюються у сучасних інформаційних системах. Основна увага приділена виявленню та визначенню небезпек, які несе за собою поширення недостовірної інформації в суспільстві. Серйозні наслідки цього явища можуть сягнути глобального масштабу, тому ефективна боротьба з ним є надзвичайно важливою. Під час дослідження розглянуто різноманітні програмні методи протидії поширенню неправдивої інформації. Зокрема, проведено порівняння різних методів аналізу та фільтрації інформації, що спрямовані на виявлення та локалізацію недостовірних повідомлень. Це дозволяє визначити найбільш ефективні підходи до аналізу даних у сфері інформаційних систем та визначити оптимальні методи боротьби з поширенням неправдивих новин. Результати дослідження мають практичне застосування та можуть бути використані для вдосконалення аналізу інформації, яка надходить з різних джерел інформаційних систем. Впровадження розроблених рішень сприятиме підвищенню рівня достовірності та об'єктивності обробки інформації, покращенню якості аналізу інформації та її використанню у різних сферах суспільства

неправдива інформація; машинне навчання; глибоке навчання; набір даних; довготривала короткочасна пам’ять; згорткова нейронна мережа; рекурентні нейронні мережі

1. Karduni, A. (2019). Human-Misinformation interaction: Understanding the interdisciplinary approach needed to computationally combat false information. ACM Digital Library. https://doi.org/10.1145/1122445.1122456

2. Dennis, A., Moravec, P., & Kim, A. (2023). Search & Verify: Misinformation and source evaluations in Internet search results. Decision Support Systems, 171. https://doi.org/10.1016/j.dss.2023.113976

3. Rastogi, S., & Bansal, D. (2023). A review on fake news detection 3T’s: Typology, time of detection, taxonomies. International Journal of Information Security. https://doi.org/10.1007/s10207-022-00625-3

4. BABCOCK, M., BESKOW, D., & CARLEY, K. (2018). Different Faces of False: The Spread and Curtailment of False Information in the Black Panther Twitter Discussion. Data and Information Quality, 11. https://doi.org/10.1145/3339468

5. Rohera, D., Shethna, H., Patel, K., & Thakker, U. (2022). A Taxonomy of Fake News Classification Techniques: Survey and Implementation Aspects. IEEE Access, 10. https://doi.org/DOI:10.1109/ACCESS.2022.3159651

6. Hamed, S. K., Aziz, M. J. A. A. A., & Yaakub, M. R. (2021). A review of fake news detection approaches: A critical analysis of relevant studies and highlighting key challenges associated with the dataset, feature representation, and data fusion. Heliyon, 9(10). https://doi.org/10.1016/j.heliyon.2023.e20382

7. Alghamdi, J., Lin, Y., & Luo, S. (2023). Towards COVID-19 fake news detection using transformer-based models. Knowledge-Based Systems, 274. https://doi.org/10.1016/j.knosys.2023.110642

8. Syed, L., Alsaeedi, A., Alhuri, L., & Aljohani, H. (2023). Hybrid weakly supervised learning with deep learning technique for detection of fake news from cyber propaganda. Array, 19. https://doi.org/10.1016/j.array.2023.100309

9. Mohawesh, R., Liu, X., Arini, H. M., Wu, Y., & Yin, H. (2023). Semantic graph based topic modelling framework for multilingual fake news detection. AI Open, 4. https://doi.org/10.1016/j.aiopen.2023.08.004

10. Alabaz, M., & Awajan, A. (2022). Fake-News Detection System Using Machinelearning Algorithms For Arabic-Language Content. Journal of Theoretical and Applied Information Technology.[Online] (Accessed: 08/10/2023)