МЕТОДОЛОГІЧНІ ЗАСАДИ ВИЯВЛЕННЯ АВТОМАТИЗОВАНИХ АКАУНТІВ  У СОЦІАЛЬНИХ МЕРЕЖАХ

Сергій Бучик; Віталій П’ятигор

doi:10.28925/2663-4023.2026.33.1266

Автор(и)

Сергій Бучик Київський національний університет імені Тараса Шевченка https://orcid.org/0000-0003-0892-3494
Віталій П’ятигор Київського національного університету імені Тараса Шевченка https://orcid.org/0000-0002-7621-1299

DOI:

https://doi.org/10.28925/2663-4023.2026.33.1266

Ключові слова:

соціальні мережі, автоматизовані акаунти, соціальні боти, виявлення ботів, машинне навчання, гібридні методи, пояснюваність моделей

Анотація

У статті розглянуто методологічні засади виявлення автоматизованих акаунтів у соціальних мережах. Актуальність дослідження зумовлена використанням соціальних ботів для поширення дезінформації, маніпулювання громадською думкою та зростанням можливостей генеративного штучного інтелекту щодо імітації поведінки реальних користувачів. Систематизовано методи виявлення ботів за основними джерелами ознак: атрибутами користувача, поведінковими характеристиками, текстовим контентом, графовими структурами та їх поєднанням. Порівняння виконано за використаними моделями, датасетами, метриками якості, складністю отримання даних, обмеженнями та рівнем пояснюваності рішень. Встановлено, що профільні методи є доступними й відносно інтерпретованими, але недостатньо стійкими до складних ботів; поведінкові підходи ефективні для виявлення автоматизованих патернів і координації, однак потребують історії активності; текстові моделі забезпечують високу якість розпізнавання за змістом дописів, проте залежать від мови, тематики й розвитку генеративного штучного інтелекту; графові методи є перспективними для виявлення бот-мереж, але характеризуються високими вимогами до доступності даних. Визначено, що найбільш перспективним напрямом є застосування гібридних моделей, які поєднують доступні профільні, поведінкові й текстові ознаки з урахуванням пояснюваності результатів та без критичної залежності від повного соціального графа. Узагальнено основні проблеми сучасних методів: адаптивність ботів, неоднорідність і застарівання датасетів, дисбаланс класів, обмеження доступу до даних і недостатню інтерпретованість складних моделей.

Завантаження

Дані завантаження ще не доступні.

Посилання

Thales Group. (2025). AI-driven bots surpass human traffic: Bad Bot Report 2025. Thales Cloud Security Products. https://cpl.thalesgroup.com/about-us/newsroom/2025-imperva-bad-bot-report-ai-internet-traffic

Ng, L. H. X., & Carley, K. M. (2025). A global comparison of social media bot and human characteristics. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-025-96372-1

Wan, H., Luo, M., Ma, Z., Dai, G., & Zhao, X. (2025). How do social bots participate in misinformation spread? A comprehensive dataset and analysis. arXiv. http://arxiv.org/abs/2408.09613

Architecture of systems for detecting automated accounts (bots) in social networks. (2025). Security of Information Systems and Technologies, 1(9), 11-17. https://doi.org/10.17721/ISTS.2025.9.11-17

Hayawi, K., Mathew, S., Venugopal, N., Masud, M. M., & Ho, P.-H. (2022). DeeProBot: A hybrid deep neural network model for social bot detection based on user profile data. Social Network Analysis and Mining, 12(1). https://doi.org/10.1007/s13278-022-00869-w

Yang, K.-C., Varol, O., Hui, P.-M., & Menczer, F. (2020). Scalable and generalizable social bot detection through data selection. Proceedings of the AAAI Conference on Artificial Intelligence, 34(1), 1096-1103. https://doi.org/10.1609/aaai.v34i01.5460

Lopez-Joya, S., Diaz-Garcia, J. A., Ruiz, M. D., & Martin-Bautista, M. J. (2024). Exploring social bots: A feature-based approach to improve bot detection in social networks. arXiv. https://doi.org/10.48550/arXiv.2411.06626

Rajendran, G., Ram, A., Vijayan, V., & Poornachandran, P. (2020). Deep temporal analysis of Twitter bots. In S. M. Thampi, L. Trajkovic, K.-C. Li, S. Das, M. Wozniak, & S. Berretti (Eds.), Machine learning and metaheuristics algorithms, and applications (pp. 38-48). Springer. https://doi.org/10.1007/978-981-15-4301-2_4

Chavoshi, N., Hamooni, H., & Mueen, A. (2017). Temporal patterns in bot activities. In Proceedings of the 26th International Conference Companion on World Wide Web (pp. 1601-1606). https://doi.org/10.1145/3041021.3051114

Chavoshi, N., Hamooni, H., & Mueen, A. (2016). Identifying correlated bots in Twitter. In Social Informatics: 8th International Conference, SocInfo 2016, Bellevue, WA, USA, November 11-14, 2016, Proceedings, Part II (pp. 14-21). Springer. https://doi.org/10.1007/978-3-319-47874-6_2

Cresci, S., Di Pietro, R., Petrocchi, M., Spognardi, A., & Tesconi, M. (2017). Social fingerprinting: Detection of spambot groups through DNA-inspired behavioral modeling. IEEE Transactions on Dependable and Secure Computing, 15(4), 561-576. https://doi.org/10.1109/TDSC.2017.2681672

Mazza, M., Cresci, S., Avvenuti, M., Quattrociocchi, W., & Tesconi, M. (2019). RTbust: Exploiting temporal patterns for botnet detection on Twitter. arXiv. https://doi.org/10.48550/arXiv.1902.04506

Wei, F., & Nguyen, U. T. (2020). Twitter bot detection using bidirectional long short-term memory neural networks and word embeddings. arXiv. https://doi.org/10.48550/arXiv.2002.01336

Ellaky, Z., & Benabbou, F. (2025). Advanced text-based transformer architecture for malicious social bots detection. Mathematical Modeling and Computing, 12(3), 972-981. https://doi.org/10.23939/mmc2025.03.972

Long, G., Lin, D., Lei, J., Guo, Z., Hu, Y., & Xia, L. (2023). A method of machine learning for social bot detection combined with sentiment analysis. In Proceedings of the 2022 5th International Conference on Machine Learning and Natural Language Processing (pp. 239-244). https://doi.org/10.1145/3578741.3578790

Ghosh, D., Boettcher, W., Johnston, R., & Lahiri, S. (2025). Bot identification in social media. arXiv. https://doi.org/10.48550/arXiv.2503.23629

Al-Khersan, Z. E. H., & Flayh, N. A. (2025). Enhanced Twitter bot detection via static and temporal feature integration. Journal of Al-Qadisiyah for Computer Science and Mathematics, 17(4). https://doi.org/10.29304/jqcsm.2025.17.42574

Chen, Q., Liao, Y., & Wang, C. (2025). Malicious social bot detection in social networks based on multi-modal feature fusion with transformer networks. In Proceedings of the 2024 2nd International Conference on Computer, Internet of Things and Smart City (pp. 173-176). https://doi.org/10.1145/3731867.3731896

Cheng, M., Xiao, Y., Huang, T., Lei, C., & Zhang, C. (2025). CB-MTE: Social bot detection via multi-source heterogeneous feature fusion. Sensors, 25(11), 3549. https://doi.org/10.3390/s25113549

Sakhabutdinov, I. (2025). Bot detection in social media: An empirical study using TwiBot-22 (Master’s thesis). Luleå University of Technology. https://urn.kb.se/resolve?urn=urn:nbn:se:ltu:diva-114083

Buchyk, S., & Piatyhor, V. (2026). Model for identifying automated social network accounts based on a multi-species method with an attention mechanism. Cybersecurity: Education, Science, Technique, 4(32), 924-934. https://doi.org/10.28925/2663-4023.2026.32.1168