Гирда В., Ланде Д.
Анал╕з п╕дход╕в до визначення фейково╖ ╕нформац╕╖ в соц╕альних мережах

Анотац╕я. Проведено анал╕з ╕снуючих п╕дход╕в для визначення фейково╖ ╕нформац╕╖ в соц╕альних мережах.

Summary. An analysis of existing approaches to identifying fake information in social networks was carried out.

Ключов╕ слова: фейкова ╕нформац╕я, ╕нформац╕йний прост╕р, соц╕альн╕ мереж╕.

На фон╕ г╕бридно╖ в╕йни, ╕нформац╕йний прост╕р став театром для ведення бойових д╕й, а ╕нтернет-користувач╕ . акторами к╕берпростору. Соц╕альн╕ мереж╕ стали комун╕кативною платформою, де м╕льйони користувач╕в розм╕щують контент.

З початком повномасштабного вторгнення в соц╕альних мережах зб╕льшилась к╕льк╕сть фейкових новин, ╕ комун╕кантам стало важко в╕др╕знити яка ╕нформац╕я ╓ правдивою, а яка . фейковою.

Для зручного анал╕зу та виявлення фейково╖ ╕нформац╕╖ ╕снують дек╕лька п╕дход╕в, побудованих на основ╕ машинного навчання. В основ╕ п╕дход╕в закладен╕ алгоритми з попередн╕м навчанням та самонавчанням.

Розглянемо основн╕ п╕дходи:

- сontent-based: акцентовано увагу на текстову ╕нформац╕ю, ╖╖ заголовок, основну частину та суть. В основ╕ цього п╕дходу лежить анал╕з синтаксичних та семантичних особливостей контенту;

- social-based: увага прид╕ля╓ться соц╕альн╕й складов╕й. В основ╕ цього п╕дходу лежить ╕дентиф╕кац╕я користувача та класиф╕кац╕я (в╕к, стать, к╕льк╕сть п╕дписник╕в, сп╕льноти), в╕дпов╕дно чого можна досл╕дити ╕нформац╕ю на м╕стиф╕кац╕ю. Анал╕з зд╕йсню╓ться зг╕дно з алгоритмами машинного навчання (лог╕стична регрес╕я та краудсорс╕нг);

- combined: з використанням обох п╕дход╕в.

Висновки. Соц╕альн╕ мереж╕ м╕стять безл╕ч фейкових новин, що дозволяють ман╕пулювати св╕дом╕стю людей. Анал╕з новин на достов╕рн╕сть займа╓ багато часу ╕ не ╓ ефективним, з ц╕╓ю метою використовують фреймворки, розроблен╕ на основних п╕дходах машинного навчання, що значно полегшу╓ процес виявлення фейк╕в.