ВИЯВЛЕННЯ МАНІПУЛЯТИВНОЇ СКЛАДОВОЇ У ТЕКСТОВИХ ПОВІДОМЛЕННЯХ ЗАСОБІВ МАСОВОЇ ІНФОРМАЦІЇ У КОНТЕКСТІ ЗАХИСТУ ВІТЧИЗНЯНОГО КІБЕРПРОСТОРУ

Анотація

Проблематикою статті є підвищення ефективності засобів забезпечення інформаційної безпеки у межах національного кіберпростору шляхом автоматизованого виявлення маніпулятивної складової у текстових повідомленнях засобів масової інформації. Показано, що одним із основних напрямків підвищення ефективності таких засобів є використання великих мовних моделей, які здатні здійснювати глибокий контекстуальний аналіз природномовного тексту з урахуванням емоційного, риторичного та семантичного наповнення. Встановлено, що більшість відомих рішень в області виявлення текстових маніпуляцій за допомогою великих мовних моделей достатньо складно адаптувати до умов практичного застосування в системах захисту вітчизняного кіберпростору внаслідок необхідності створення потужної апаратно-програмної інфраструктури для обслуговування відповідних LLM-засобів та необхідності формування спеціалізованих навчальних вибірок, що враховують основні типи маніпулятивних впливів, характерні для реалій інформаційного протистояння. Для подолання цих обмежень у статті запропоновано концепцію використання LLM-засобів (GPT, Gemini, DeepSeek, Grok тощо), яка базується на реалізації діалогової взаємодії із заздалегідь стандартизованими формалізованими запитами, що враховують основні типи маніпулятивних впливів. До таких впливів, згідно з класифікацією, віднесено емоційно-маніпулятивні повідомлення, інформаційні підміни, дискредитаційні наративи, маніпуляції контекстом, пропагандистські конструкції, експлуатацію соціально чутливих тем та штучне формування суспільної думки шляхом бот-активності. Розроблено метод взаємодії з LLM, що охоплює етапи попередньої обробки тексту, формування запитів базового, типологічного та інтерпретаційного рівнів, а також інтерпретацію відповідей LLM у формалізованому вигляді. Проведені експериментальні дослідження із залученням трьох груп текстів (наукових, політичних та деструктивно-пропагандистських) засвідчили, що результати аналізу, отримані за допомогою LLM-засобу GPT-4-turbo, у середньому на 87% узгоджуються з експертними оцінками, що свідчить про високий рівень достовірності отриманих результатів та підтверджує практичну ефективність запропонованих рішень. Показано, що підвищити точність та стабільність оцінок маніпулятивної складової можливо за рахунок донавчання LLM-засобів шляхом включення до запиту прикладів коректних відповідей, що дозволяє підвищити узгодженість результатів без необхідності повного перенавчання моделі.