Метод комп’ютеризованого формування англомовного тексту відповідно до психолінгвістичного портрету пропагандиста

Ярослав Володимирович Тарасенко

Анотація


Поточна ситуація в державі та світі вимагає розробки надійних методів виявлення та нейтралізації кіберзагроз, однією з яких є інформаційна пропаганда в медіа джерелах. Для протидії подібній загрозі необхідно здійснювати зворотній вплив на пропагандиста, що може бути реалізовано на основі комп’ютерно згенерованого осмисленого тексту за психолінгвістичним портретом пропагандиста. Переважна більшість сучасних методів комп’ютеризованої генерації текстів базується на технологіях машинного навчання, що обмежує можливість ефективної побудови психолінгвістичного профілю за рахунок потреби великої кількості досліджуваної інформації, що обумовлює ризик виявлення протидії пропаганді. Інші ж методи не враховують категоріальність та квантову природу мислення, або занадто вимогливі до кількості вхідних даних для побудови контекстуальних зв’язків чи не враховують пропагандний дискурс. Розроблено метод комп’ютеризованого формування англомовного тексту відповідно до психолінгвістичного портрету пропагандиста на основі багаторівневих шаблонів та вдосконаленої методики лісу даних природньої мови, шляхом використання методів квантової семантики та семантики Монтегю, що дозволяє підвищити ефективність протидії негативному впливу інформаційної пропаганди в англомовних медіа джерелах завдяки врахуванню індивідуальної суб’єктивної семантичної лінії пропагандиста та імовірних квантових станів лексико-семантичних одиниць, ґрунтуючись на класифікації семантичної частки. Метод дає змогу генерації англомовного тексту відповідно до психолінгвістичного портрету пропагандиста для подальшого впровадження в нього засобів зворотного цільового впливу на пропагандиста. Використання методу важливе при дослідженні проблеми зсуву семантичної лінії тексту в напрямку суб’єктивної семантичної лінії пропагандиста.Поточна ситуація в державі та світі вимагає розробки надійних методів виявлення та нейтралізації кіберзагроз, однією з яких є інформаційна пропаганда в медіа джерелах. Для протидії подібній загрозі необхідно здійснювати зворотній вплив на пропагандиста, що може бути реалізовано на основі комп’ютерно згенерованого осмисленого тексту за психолінгвістичним портретом пропагандиста. Переважна більшість сучасних методів комп’ютеризованої генерації текстів базується на технологіях машинного навчання, що обмежує можливість ефективної побудови психолінгвістичного профілю за рахунок потреби великої кількості досліджуваної інформації, що обумовлює ризик виявлення протидії пропаганді. Інші ж методи не враховують категоріальність та квантову природу мислення, або занадто вимогливі до кількості вхідних даних для побудови контекстуальних зв’язків чи не враховують пропагандний дискурс. Розроблено метод комп’ютеризованого формування англомовного тексту відповідно до психолінгвістичного портрету пропагандиста на основі багаторівневих шаблонів та вдосконаленої методики лісу даних природньої мови, шляхом використання методів квантової семантики та семантики Монтегю, що дозволяє підвищити ефективність протидії негативному впливу інформаційної пропаганди в англомовних медіа джерелах завдяки врахуванню індивідуальної суб’єктивної семантичної лінії пропагандиста та імовірних квантових станів лексико-семантичних одиниць, ґрунтуючись на класифікації семантичної частки. Метод дає змогу генерації англомовного тексту відповідно до психолінгвістичного портрету пропагандиста для подальшого впровадження в нього засобів зворотного цільового впливу на пропагандиста. Використання методу важливе при дослідженні проблеми зсуву семантичної лінії тексту в напрямку суб’єктивної семантичної лінії пропагандиста.

Ключові слова


генерація тексту; комп’ютеризована компоновка тексту; протидія пропаганді; категорії семантичної частки; психолінгвістичний портрет пропагандиста; семантична частка в англомовному тексті; категоріальні рівні; квантові стани лексико-семантичної частки

Посилання


A. Krishnan, «Military Neuroscience and the Coming Age of Neurowarfare», London: Routledge, 2017, 270 p.

D. Owolabi1, C. I. Nnaji, «The English language and the mass media as tools forsustainable development in multilingual nations», International Journal of Language and Linguistics, Vol. 1, Issue 4, P. 124-130, 2013.

E. Krahmer, M. Theune, «Empirical Methods in Natural Language Generation: Data-oriented Methods and Empirical Evaluation», Berlin, Heidelberg: Springer Science & Business Media, 2010, 353 p.

J. Feist, «Semantic Structure in English», Amsterdam, Philadelphia: John Benjamins Publishing Company, 2016, 452 p.

N. Chomsky, Á. J. Gallego, D. Ott, «Generative Grammar and the Faculty of Language: Insights, Questions, and Challenges», Catalan Journal of Linguistics, Special Issue: Generative Syntax. Questions, Crossroads, and Challenges, P. 229-261, 2019.

N. Fitzpatrick, «Media Manipulation 2.0: The Impact of Social Media on News, Competition, and Accuracy», Athens Journal of Mass Media and Communications, Vol. 4, Issue 1, P. 45-62, 2018.

R. Ye, W. Shi, H. Zhou, Z. Wei, L. Li, «Variational Template Machine for Data-to-Text Generation», Proceedings of International Conference on Learning Representations, Addis Ababa, Ethiopia, April 30, 2020. [Електронний ресурс] – Режим доступу: https://openreview.net/pdf?id=HkejNgBtPB

S. Chen, J. Wang, X. Feng, F. Jiang, B. Qin, C.-Y. Lin, «Enhancing Neural Data-To-Text Generation Modelswith External Background Knowledge», Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, Hong Kong, China, November 3–7, P. 3022–3032, 2019.

S. Welleck, K. Brantley, H. Daume III, K. Cho, «Non-Monotonic Sequential Text Generation», Proceedings of the 36th International Conference on Machine Learning, Long Beach, USA, June 10-15, 2019. [Електронний ресурс] – Режим доступу: http://proceedings.mlr.press/v97/welleck19a/welleck19a.pdf

T. C. Ferreira, C. van der Lee, E. van Miltenburg, E. Krahmer, «Neural data-to-text generation: A comparison between pipeline and end-to-end architectures», Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, Hong Kong, China, November 3–7, P. 552–562, 2019.

T. Lichte, L. Kallmeyer, «Tree-Adjoining Grammar: A Tree-Based ConstructionistGrammar Framework for Natural Language Understanding», 2017 AAAI Spring Symposium Series, Stanford, USA, March 27-29, Technical Report SS-17-02, P. 205-212, 2017.

Z. Hu, Z. Yang, X. Liang, R. Salakhutdinov, E. P. Xing, «Toward Controlled Generation of Text», eprint arXiv:1703.00955v4, 2018. [Електронний ресурс] – Режим доступу: https://arxiv.org/abs/1703.00955

А. Л. Дмитровский, «Виды композиций в журналистском тексте», Ученые записки ОГУ. Серия: Гуманитарные и социальные науки, № 1, С. 189-197, 2009.

Д. В. Личаргин, «Методы генерации предложений естественного языка на основе леса данных естественного языка», Сибирский журнал науки и технологий, № 3 (43), С. 51-56, 2012.

Д. В. Личаргин, Е. Б. Чубарева, Н. В. Николаева, «Решение проблемы вариативности при генерации фраз естественного языкана основе двухуровневых шаблонов», Филологические науки. Вопросы теории и практики, № 11 (29), Ч. I, C. 110-112, 2013.

И. А. Герасимова, «Формальная граматика и интенсиональная логика», М.: ИФ РАН, 2000, 156 с.

О. С. Волковский, Е. Р. Ковылин, "Компьютерная система интеллектуального семантического поиска с использованием генерации текстов", Вестник Херсонского национального технического университета, № 3-1 (66), С. 238-244, 2018.

Про рішення Ради національної безпеки і оборони України від 27 січня 2016 року «Про Стратегію кібербезпеки України». [Електронний ресурс] – Режим доступу: https://zakon.rada.gov.ua/laws/show/96/2016

Я. В. Тарасенко, «Використання принципів квантової лінгвістики в інформаційному протиборстві», Безпека інформації, Том 25, № 2, С. 96-103, 2019.

Я. В. Тарасенко, «Метод квантово-семантичного психолінгвістичного аналізу англомовного тексту пропагандного дискурсу», Сучасні інформаційні системи,. Том 3, № 4, С. 62-68, 2019.

Я. В. Тарасенко, «Метод контент-аналізу семантичної частки в текстах з ознаками психолінгвістичного впливу», Системи управління, навігації та зв’язку, Том 6, № 58, С. 92-96, 2019.


Повний текст: PDF

Посилання

  • Поки немає зовнішніх посилань.


ISSN 2410-7840 (Online), ISSN 2221-5212 (Print)

Ліцензія Creative Commons
Цей твір ліцензовано за ліцензією Creative Commons Із зазначенням авторства - Некомерційна - Без похідних творів 3.0 Неадаптована

РИНЦ SSM WorldCat BASE Національна бібліотека ім. Вернадського Науково-технічна бібліотека НАУ Ulrich's Periodicals Directory

Ulrich's Periodicals Directory