МЕТОДИ ВИЯВЛЕННЯ ТА БОРОТЬБИ З ДЕЗІНФОРМАЦІЄЮ ЗА ДОПОМОГОЮ ТЕХНОЛОГІЙ ШТУЧНОГО ІНТЕЛЕКТУ

Автор(и)

DOI:

https://doi.org/10.32689/maup.it.2025.2.8

Ключові слова:

дезінформація, штучний інтелект, обробка природної мови, машинне навчання, перевірка фактів, маніпулятивний контент, deepfake, кібербезпека

Анотація

У статті розглядаються сучасні методи виявлення та боротьби з дезінформацією за допомогою технологій штучного інтелекту. Основна увага приділяється автоматизації аналізу текстової, візуальної та відеоінформації, використовуючи алгоритми машинного навчання, обробки природної мови та комп’ютерного зору.Розглянуто інструменти для моніторингу соціальних мереж, перевірки фактів і виявлення маніпуляцій у медіаконтенті. Окремо проаналізовано виклики, пов’язані з моральними аспектами, дефіцитом даних і розвитком технологій для створення фейків. Запропоновані підходи спрямовані на підвищення ефективності боротьби з дезінформацією, забезпечення інформаційної безпеки та стійкості суспільства до маніпуляцій. Мета роботи. Дослідження сучасних методів виявлення та боротьби з дезінформацією за допомогою технологій штучного інтелекту, зокрема машинного навчання, обробки природної мови та комп'ютерного зору, для підвищення інформаційної безпеки суспільства.Методологія. У роботі використано алгоритми машинного навчання, такі як згорткові нейронні мережі (CNN) та трансформерні моделі (наприклад, BERT), для аналізу текстового контенту. Для ідентифікації маніпуляцій у візуальному контенті застосовано технології комп’ютерного зору, а для аналізу поширення дезінформації в соціальних мережах – графові нейронні мережі (GNN).Наукова новизна. Запропоновано інтегрований підхід, що включає аналіз текстового, візуального та відеоконтенту одночасно. Досліджено вплив емоційного забарвлення контенту на сприйняття фейкових новин і вперше вивчено роль мультимодальних систем у боротьбі з дезінформацією.Висновки. Технології штучного інтелекту забезпечують ефективне виявлення дезінформації шляхом аналізу великих обсягів даних у реальному часі. Інтеграція мультимодальних підходів сприяє підвищенню стійкості інформаційного простору, хоча залишається необхідність розв’язання проблеми дефіциту якісних навчальних даних і врахування етичних аспектів.

Посилання

Фільтруйте недоброчесних блогерів, дипфейки, маніпуляції – користуйтесь інтернетом з розумом. Хмарочос. 2023. 4 грудня. URL: https://hmarochos.kiev.ua/2023/12/04/filtrujte-nedobrochesnyh-blogeriv-dipfejky-manipulyacziyi-korystujtes-internetom-z-rozumom/ (дата звернення: 12.06.2025).

Anggrainingsih R., Hassan G. M., Datta A. Evaluating BERT-based Pre-training Language Models for Detecting Misinformation. 2022. URL: https://arxiv.org/abs/2209.13594 (дата звернення: 12.06.2025).

Battiato S. DeepFake Detection by Analyzing Convolutional Traces. Journal of Imaging. 2020. Vol. 6. No. 7. P. 1–14.

Dolhansky B., Bitton J., Pflaum B., Lu J., Howes R., Wang M., Canton Ferrer C. The DeepFake Detection Challenge. arXiv preprint. 2020. arXiv:2006.07397.

Ge X., Zhang M., Wang X. A., Liu J., Wei B. Emotion-Driven Interpretable Fake News Detection. International Journal of Data Warehousing and Mining. 2022. Vol. 18. No. 3. P. 1–15.

Goldani M. H., Momtazi S., Safabakhsh R. Detecting Fake News with Capsule Neural Networks. Computational Intelligence and Neuroscience. 2020. Vol. 2020. Article ID 2165391.

Hassan N., Arslan F., Li C., Tremayne M. Toward Automated Fact-Checking: Detecting Check-worthy Factual Claims by ClaimBuster. Proceedings of the 23rd ACM International Conference on Information and Knowledge Management (CIKM 2017), Singapore, 6–10 Nov. 2017. P. 2179–2182.

Hoaxy – офіційний сайт додатку. URL: https://hoaxy.osome.iu.edu/ (дата звернення: 12.06.2025).

Mazurczyk W., Lee D., Vlachos A. Disinformation 2.0 in the Age of AI: A Cybersecurity Perspective. IEEE Security & Privacy. 2023. Vol. 21. No. 3. P. 40–49.

Meta AI. Deepfake Detection Challenge Dataset. 2020. URL: https://ai.facebook.com/blog/deepfake-detection-challenge/ (дата звернення: 12.06.2025).

Mohtaj Salar, Ata Nizamoglu, Premtim Sahitaj, Vera Schmitt, Charlott Jakob, Sebastian Möller (2024). NewsPolyML: Multi-lingual European News Fake Assessment Dataset

Rae J., Irving G., Weidinger L. Language Modelling at Scale: Gopher, Ethical Considerations, and Retrieval. DeepMind Blog. 2021. URL: https://deepmind.google/discover/blog/language-modelling-at-scale-gopher-ethical-considerations- and-retrieval/ (дата звернення: 12.06.2025).

Shahi G. K., Nandini D. FakeCovid – A Multilingual Cross-domain Fact Check News Dataset for COVID-19. arXiv preprint. 2020. arXiv:2011.11459.

Wang T., Liao X., Chow K. P., Lin X., Wang Y. Deepfake Detection: A Comprehensive Survey from the Reliability Perspective. Journal of Cybersecurity. 2024. Vol. 12. No. 1. P. 15–36.

Yang Y., Zheng L., Zhang J., Cui Q., Li Z., Yu P. S. TI-CNN: Convolutional Neural Networks for Fake News Detection. arXiv preprint. 2018. arXiv:1806.00749.

Zhang X., Cao J., Li X., Sheng Q., Zhong L., Shu K. Mining Dual Emotion for Fake News Detection. Proceedings of the Web Conference. 2021. P. 3465–3476.

##submission.downloads##

Опубліковано

2025-09-23

Як цитувати

КАРАБЧУК, В. (2025). МЕТОДИ ВИЯВЛЕННЯ ТА БОРОТЬБИ З ДЕЗІНФОРМАЦІЄЮ ЗА ДОПОМОГОЮ ТЕХНОЛОГІЙ ШТУЧНОГО ІНТЕЛЕКТУ. Інформаційні технології та суспільство, (2 (17), 56-61. https://doi.org/10.32689/maup.it.2025.2.8