АНАЛІЗ ЗАСТОСУВАННЯ ІСНУЮЧИХ ТЕХНІК РОЗПІЗНАВАННЯ ФЕЙКОВИХ НОВИН ДЛЯ ПРОТИДІЇ ІНФОРМАЦІЙНІЙ ПРОПАГАНДІ
DOI:
https://doi.org/10.18372/2225-5036.26.14942Ключові слова:
фейкові новини, нейронні мережі, протидія інформаційному впливу, пропаганда, Fakedetector, UDF, HC-CB-3Анотація
Проблема виявлення неправдивої (фейкової) інформації, що передається через різні канали в мережі Інтернет стає все більш актуальною. Одним з різновидів такої інформації є цільова пропаганда, яка має конкретну мету та використовує спеціально створені ресурси. Для боротьби з таким інформаційним впливом можна використовувати вже розроблені засоби виявлення фейкових новин. В цій статті розглянуто особливості інформаційної пропаганди та підходів до боротьби з нею; ефективність роботи декількох відомих технік розпізнавання фейкових новин; проведено аналіз ефективності цих технік в контексті можливості їхнього застосування для протидії цілеспрямованим інформаційним впливам. На основі проведеного дослідження обрано найбільш перспективний алгоритм для розпізнавання інформаційної пропаганди в соціальних мережах.
Посилання
D. Katsaros, G. Stavropoulos and D. Papakostas, "Which machine learning paradigm for fake news detection?," 2019 IEEE/WIC/ACM International Conference on Web Intelligence (WI), Thessaloniki, Greece, 2019, pp. 383-387.
М.М. Браіловський, І.С. Іванченко, І.Р. Опірський, В.О. Хорошко. Інформаційно-психологічне протиборство в Україні// НАУ: Науковий журнал «Безпека інформації», – том 25 №3,-Київ,2019.–С.144-149.
H. Allcott and M. Gentzkow. Social media and fake news in the 2016 election. Journal of Economic Perspectives, 2017.
Daniel Boffey. EU raises funds to fight 'disinformation war' with Russia. The Guardian, 5 Dec 2018.
Paul, Christopher and Miriam Matthews, The Russian "Firehose of Falsehood" Propaganda Model: Why It Might Work and Options to Counter It, Santa Monica, Calif.: RAND Corporation, PE-198-OSD, 2016. As of September 29, 2020: https://www.rand.org/pubs/perspectives/PE198.html
M. L. Della Vedova, E. Tacchini, S. Moret, G. Ballarin, M. DiPierro and L. de Alfaro, "Automatic Online Fake News Detection Combining Content and Social Signals," 2018 22nd Confer-ence of Open Innovations Association (FRUCT), Jyvaskyla, 2018, pp. 272-279, doi: 10.23919/FRUCT.2018.8468301.
J. Zhang, B. Dong and P. S. Yu, "Fakedetector: Effective Fake News Detection with Deep Diffusive Neural Network," 2020 IEEE 36th International Conference on Data Engineering (ICDE), Dallas, TX, USA, 2020, pp. 1826-1829, doi: 10.1109/ICDE48307.2020.00180.
Yang, Shuo & Shu, Kai & Wang, Suhang & Gu, Renjie & Wu, Fan & Liu, Huan. (2019). Un-supervised Fake News Detection on Social Media: A Generative Approach. Proceedings of the AAAI Conference on Artificial Intelligence. 33. 5644-5651. 10.1609/aaai.v33i01.33015644.
Yingzhao Ouyang. Identifying fake news: The LIAR dataset and its limitations. Towards Data Science, June 29, 2020.
Jason Brownlee. How to Calculate Precision, Recall, and F-Measure for Imbalanced Classification - Machine Learning Mastery, January 3, 2020.
K. Shu, S. Wang, and H. Liu. Exploiting tri-relationship for fake news detection. CoRR, abs/1712.07709, 2017.
B. Perozzi, R. Al-Rfou, and S. Skiena. Deepwalk: Online learning of social representations. In KDD, 2014.
V. L. Rubin, N. J. Conroy, and Yimin Chen, “Towards News Verification: Deception Detection Methods for News Discourse,” 2015.
J. W. Pennebaker, R. L. Boyd, K. Jordan, and K. Blackburn, “The Development and Psycho-metric Properties of LIWC2015,” 2015.
C. Castillo, M. Mendoza, and B. Poblete, “Information credibility on twitter,” in Proceedings of the 20th International Conference on World Wide Web. ACM, 2011, pp. 675–684.
