аспирант
Россия
Представлен разработанный алгоритм комплексированной обработки данных, направленный на формирование достоверного информационного потока из исходных данных, поступающих от разнородных и неоднородных по надёжности источников, и его программная реализация. Алгоритм базируется на концепции адаптивной оценки надёжности данных и их источников с учётом уровня согласованности, степени конфликтности и подтверждённости информации. В современных условиях интенсивного развития цифровых технологий и увеличения объёма обрабатываемой информации особую актуальность приобретает задача формирования достоверного информационного потока из разнородных источников данных, которые могут различаться по уровню надёжности, структурным характеристикам и степени согласованности предоставляемой информации. Предлагаемый алгоритм комплексированной обработки данных основывается на концепции адаптивной оценки надёжности как самих данных, так и их источников, с учётом таких критериев, как уровень согласованности, степень конфликтности и подтверждённости информации. Разработанный алгоритм направлен на обеспечение объективной фильтрации, интеграции и оптимального использования поступающих данных.
достоверная информация, ложная информация, вредоносная информация, сложный информационный поток, надежность источников, согласованность данных, степень конфликтности
1. Fake news detector using deep learning / A. Akshansh [et al.] // International Journal of Advanced Research. 2024. № 11. Vol. 04. P. 1612–1621.
2. Revisiting Fake News Detection: Towards Temporality-aware Evaluation by Leveraging Engagement Earliness / J. Kim [et al.] // arXivLabs. 2024. № 2411. Vol. 12775. P. 1–11.
3. Zhou X., Zafarani R. A survey of fake news: Fundamental theories, detection methods and opportunities // ACM Computing Surveys. 2020. № 53 (5). P. 1–40.
4. Привалов А.Н., Смирнов В.А. Поиск фейковых сайтов с использованием метода определения визуального сходства страниц // Известия ТулГУ. Технические науки. 2022. № 9. С. 260–264.
5. Обеспечение целостности данных посредством частичной «фрагментации» данных / А.К. Куртов [и др.] // Современные научные исследования и инновации. 2023. № 9. URL: https://web.snauka.ru/issues/2023/09/100716 (дата обращения: 05.03.2025).
6. Zhou Yu. The Silent Saboteur: The Impact and Management of Malicious Word-Of-Mouth in The Digital Age // Highlights in Business Economics and Management. 2024. № 41. P. 381–386.
7. The impact of malicious nodes on the spreading of false information / Z. Ruan [et al.] // Chaos: An Interdisciplinary Journal of Nonlinear Science. 2020. № 30. P. 083101.
8. Creating and detecting fake reviews of online products / J. Salminen [et al.] // Journal of Retailing and Consumer Services. 2022. № 64. P. 102771.
9. Wesam H.A., Ragheed A., Yossra H.A. Opinion mining for fake recommendations in e-commerce: A machine learning approach using LightGBM // AIP Conference Proceedings. 2025. № 3169. Vol. 030015. P. 1–11.
10. Shilpa Yu., Gulbakshee Dharmela K.M. Fake Review Detection Using Machine Learning Techniques // Journal of Emerging Technologies and Innovative Research (JETIR). 2021. Vol. 8 (4).
11. Лебедев И.С. Адаптивное применение моделей машинного обучения на отдельных сегментах выборки в задачах регрессии и классификации // Информационно-управляющие системы. 2022. № 3 (118). С. 20–30.
12. Тымчук А.И. Информационная система контроля достоверности данных приборов учёта в автоматизированной информационно-измерительной системе контроля и учёта электроэнергии // МНИЖ. 2024. № 6 (144). С. 1–9.
13. Минаков С.С., Михайленко Н.В. Проблемы обеспечения достоверности технических данных и сведений, сопряжённых с выявлением и расследованием инцидентов и преступлений, совершённых с использованием информационно-телекоммуникационных технологий // Вестник экономической безопасности. 2023. № 6. С. 107–112.
