EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

ДОСЛІДЖЕННЯ КАСКАДНОГО ПІДХОДУ ДО ВИЯВЛЕННЯ ТА КЛАСИФІКАЦІЇ ДЕЗІНФОРМАЦІЇ З ВИКОРИСТАННЯМ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ

Артем ХОВРАТ

Information Technology: Computer Science, Software Engineering and Cyber Security · 10.11.2026 · (3) · 383-391

DOI: 10.32782/it/2026-3-39 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Information Technology: Computer Science, Software Engineering and Cyber Security, online erschienen am 10.11.2026. Verfasst von Артем ХОВРАТ. Die Arbeit nennt 10 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Стрімкий розвиток технологій генерації тексту в поєднанні з масштабом сучасних соціальних платформ призвів до того, що поширення неправдивої інформації стало однією з найсерйозніших загроз інформаційному простору. Особливо гостро ця проблема постала перед Україною в умовах повномасштабного вторгнення Російської Федерації, коли скоординовані маніпулятивні кампанії ведуться синхронно з військовими діями та потребують швидкої й точної автоматизованої протидії. Наявні підходи переважно зосереджуються на бінарній класифікації – допис є вигаданим чи ні, – однак така постановка не враховує суттєвої відмінності між різними типами шкідливого контенту, які мають різний масштаб впливу та потребують різних реакцій з боку модераторів і платформ. Метою роботи є розробка та експериментальна перевірка триетапної каскадної архітектури, яка послідовно поєднує гібридну рекурентно-згорткову нейромережу для первинної бінарної детекції, наївний баєсівський класифікатор для типізації за п’ятьма категоріями та велику мовну модель, що залучається лише до тих прикладів, на яких баєсівський рівень демонструє низьку впевненість у виборі категорії. Методологія ґрунтується на принципі вибіркового залучення обчислювально дорогих компонентів. Перший рівень – рекурентно-згорткова нейромережа з паралелізацією на основі MapReduce – виконує швидку бінарну класифікацію всіх вхідних дописів. Записи, ідентифіковані як підозрілі, передаються на другий рівень, де баєсівський класифікатор присвоює одну з п’яти категорій на основі семи лінгвостилометричних ознак. Для кожного запису обчислюється показник впевненості як різниця між двома найбільшими апостеріорними ймовірностями. Якщо цей показник нижчий за поріг ескалації, рішення передається на третій рівень – велику мовну модель, що працює в режимі few-shot in-context learning та повертає остаточну категорію. Експериментальне оцінювання проведено на корпусі дописів про російсько-українську війну з порівнянням трьох конфігурацій мовних моделей: GPT-5.4, Gemini 3 Pro та Llama 4. Наукова новизна полягає у формалізації триетапної композиційної архітектури з адаптивною ескалацією, у якій велика мовна модель залучається не для всіх вхідних прикладів, а лише для семантично складних випадків, де класичний імовірнісний класифікатор структурно слабкий. Запропоновано критерій ескалації на основі різниці між топ-двома апостеріорними ймовірностями та показано, що такий механізм дозволяє зберегти переваги швидкого баєсівського рівня на простих категоріях і одночасно скористатися здатністю мовних моделей розрізняти семантично близькі типи: сатиру з контекстними маркерами, цільові атаки різного масштабу та геополітично неоднозначні випадки. Висновки. Експериментальна оцінка показала, що запропонована триетапна архітектура досягає macro F1-міри 0,84 на задачі п’ятикласової типізації, що на 0,08 вище за двошарову базову модель і лише на 0,02 нижче за повну заміну баєсівського рівня мовною моделлю. При цьому каскад потребує у 4–5 разів менше обчислювальних ресурсів за повну заміну, оскільки мовна модель залучається лише для приблизно 22 % прикладів. На стандартних вагах багатокритеріальної згортки (0,5/0,3/0,2 для якості, часу та обсягу даних) запропонований підхід поступається базовій моделі через високу вартість одного звернення до зовнішнього API, проте на вагах, рекомендованих для високоризикових доменів (0,7/0,2/0,1), де якість класифікації пріоритетніша за швидкість, спостерігається приріст до 2 % над усіма альтернативами. Перспективними напрямами подальших досліджень є автоматизація вибору порогу ескалації за характеристиками поточного потоку даних, аналіз впливу few-shot прикладів на стабільність розпізнавання.

Zitieren

APA

ХОВРАТ, А. (2026). ДОСЛІДЖЕННЯ КАСКАДНОГО ПІДХОДУ ДО ВИЯВЛЕННЯ ТА КЛАСИФІКАЦІЇ ДЕЗІНФОРМАЦІЇ З ВИКОРИСТАННЯМ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ. Information Technology: Computer Science, Software Engineering and Cyber Security, 383-391. https://doi.org/10.32782/it/2026-3-39

Vancouver

ХОВРАТ А. ДОСЛІДЖЕННЯ КАСКАДНОГО ПІДХОДУ ДО ВИЯВЛЕННЯ ТА КЛАСИФІКАЦІЇ ДЕЗІНФОРМАЦІЇ З ВИКОРИСТАННЯМ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ. Information Technology: Computer Science, Software Engineering and Cyber Security. 2026:383-391. doi:10.32782/it/2026-3-39

BibTeX
@article{2026,
  author = {ХОВРАТ, Артем},
  title = {ДОСЛІДЖЕННЯ КАСКАДНОГО ПІДХОДУ ДО ВИЯВЛЕННЯ ТА КЛАСИФІКАЦІЇ ДЕЗІНФОРМАЦІЇ З ВИКОРИСТАННЯМ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ},
  journal = {Information Technology: Computer Science, Software Engineering and Cyber Security},
  year = {2026},
  number = {3},
  pages = {383--391},
  doi = {10.32782/it/2026-3-39}
}
Kostenlos starten →