Ключові слова
Як цитувати
Анотація
Повномасштабне вторгнення російської федерації на територію України мало цілу низку наслідків геополітичної і внутрішньодержавної природи. Одним з проявів таких наслідків обох вищезазначених рівнів стала зміна сучасного інформаційного середовища під впливом актуалізації численних російських наративів. Закономірно, що наслідком функціонування таких неправдивих даних має стати ослаблення, вразливість українців до маніпуляцій, дезінформації тощо. Останні репрезентовано у особливостях актуалізації вищезазначених даних з неправдивою, гіперболізованою, перекрученою тощо інформацією. Це, своєю чергою, зумовлює актуальність та нагальність проблеми їх побутування в контексті російської дезинформації, мізінформації пропаганди та фейків (а також дипфейків), а також вироблення інструментарію для їх аналізу задля попередження їх деструктивного впливу. Йдеться про природу мовної полісистеми та Natural Language Processing (далі – NLP) як інструменти для обробки мовних даних з метою подальшого використання у процесі Machine Learning (далі – ML) та аналізу за допомогою штучної нейронної мережі. Це векторизація, токенізація, лематизація, мовленнєвий інтерфейс (Google Assistant та інші), автоматичний переклад (Google Translate, Reverso, DeepL тощо) та інші напрями. Природно, що вищезазначене дослідження набуває особливої актуальності ще й у контексті означеної гібридної природи російсько-української війни, в межах якої у медіапросторі (інтернет-дискурсі) функціонують цілі грона фейкових, викривлених, власне неправдивих та інших даних. Саме тому у своєму дослідження ми проаналізуємо основні питання дотичні до проблеми методологічних особливостей нейромережевого моделювання процесів розпізнавання мовних маркері категорій смислу й абсурду, звернувши увагу на їх природу, взаємовплив і взаємозумовленість, першорядність та соціокультурну значущість для українського суспільства. Окрім того, нами буде розглянуто специфіку вищезазначеного процесу в контексті роботи з неправдивими даними (дезінформацією), а також вплив останніх на його перебіг.
Посилання
Arnfield, D. (2023). Enhanced Content-Based Fake News Detection Methods with Context-Labeled News Sources.
Chung, S., Moon, S., Kim, J., Kim, J., Lim, S., & Chi, S. (2023). Comparing natural language processing (NLP) applications in construction and computer science using preferred reporting items for systematic reviews (PRISMA). Automation in Construction, 154, 105020.
Derbentsev, V. D., Bezkorovainyi, V. S., Matviychuk, A. V., Pomazun, O. M., Hrabariev, A. V., & Hostryk, A. M. (2023). A comparative study of deep learning models for sentiment analysis of social media texts. In CEUR Workshop Proceedings (pp. 168-188).
Fazil, M., Khan, S., Albahlal, B. M., Alotaibi, R. M., Siddiqui,T., & Shah, M. A. (2023). Attentional multi-channel convolution with bidirectional LSTM cell toward hate speech prediction. IEEE Access, 11, 16801-16811.
Guo, F. (2023). Revisiting Item Semantics in Measurement: A New Perspective Using Modern Natural Language Processing Embedding Techniques (Doctoral dissertation, Bowling Green State University).
Heimann, M., & Hübener, A. F. (2023). Circling the Void: Using Heidegger and Lacan to think about Large Language Models.
Kar, P., & Debbarma, S. (2023). Multilingual hate speech detection sentimental analysis on social media platforms using optimal feature extraction and hybrid diagonal gated recurrent neural network. The Journal of Supercomputing, 1-32.
Nikula, O. (2023). Linguistic Feature Analysis of Real and Fake News: Human-written vs. Grover-written.
Park, E. H., & Storey, V. C. (2023). Emotion Ontology Studies: A Framework for Expressing Feelings Digitally and its Application to Sentiment Analysis. ACM Computing Surveys, 55(9), 1-38.
Rastogi, S., & Bansal, D. (2023). A review on fake news detection 3T’s: Typology, time of detection, taxonomies. International Journal of Information Security, 22(1), 177-212.
Repede, Ș. E. (2023). Researching disinformation using artificial intelligence techniques: challenges. Bulletin of "Carol I" National Defence University, 12(2), 69-85.