КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ДЛЯ ОНТОЛОГИЙ ВЫЯВЛЕНИЯ ИНФОРМАЦИОННЫХ ОПЕРАЦИЙ В ЦИФРОВЫХ МЕДИА

В условиях стремительного роста масштабов дезинформации, когнитивных манипуляций и координированных информационных кампаний в цифровых медиа возникает необходимость разработки интеллектуальных методов для выявления и анализа информационных операций. В данной работе предлагается концептуальная модель, интегрирующая мультиязычный аннотированный корпус, онтологическую базу знаний и семантический граф знаний для систематического исследования механизмов информационного воздействия.
Методология исследования включает построение специализированного корпуса, сформированного из сообщений, собранных с Telegram-каналов, новостных порталов и социальных сетей. Данные проходят многоуровневую аннотацию с использованием платформы Label Studio, где эксперты вручную размечают ключевые сущности, включая военные термины, целевые аудитории, источники, акторов и эмоциональные оценки. Аннотированный корпус семантически согласуется с онтологией предметной области, формализованной в OWL и обогащённой военным тезаурусом MIL_TERM, что обеспечивает согласованность терминологии и поддержку многоязычной аналитики.
Онтологическая модель преобразуется в RDF-граф знаний, отражающий взаимосвязи между сущностями, событиями, тактиками и нарративами. Для выявления скрытых закономерностей применяются SWRL-правила, а разработанные SPARQL-запросы позволяют извлекать сложные аналитические паттерны, включая цепочки «актор – тактика – нарратив – аудитория». Предложенный подход формирует основу для комплексного анализа информационных потоков, раннего выявления угроз и построения аналитических сценариев, что делает его применимым для исследования и мониторинга информационных операций в мультиязычных цифровых средах.

1. Abdali S. Multi-modal misinformation detection: Approaches, challenges and opportunities / S. Abdali, S. Shaham, B. Krishnamachari // ACM Computing Surveys. – 2024. – Vol. 57, № 3. – P. 1-29.

2. From Virality to veracity / J. Rieskamp et al // Examining False Information on Telegram vs. Twitter. – 2024.

3. Zhao J. et al. Research on domain ontology construction based on the content features of online rumors. – 2024. – Vol. 14, № 1. – P. 12134.

4. Detecting propaganda techniques in code-switched social media text / M.U. Salman et al // arXiv preprint arXiv:2305.14534. – 2023.

5. Alghamdi J. Fake news detection in low-resource languages: A novel hybrid summarization approach / J. Alghamdi, Y. Lin, S. Luo // Knowledge-based Systems. – 2024. – Vol. 296. – P. 111884.

6. The influence Operation Ontology (IOO) / A.D.C. Tudela et al // arXiv preprint arXiv:2503.07304. – 2025.

7. A common core-based cyber ontology in support of cross-domain situational awareness / B. Donohue et al // ground/air multisensor interoperability, integration, and networking for persistent ISR IX. – SPIE, 2018. – Vol. 10635. – P. 65-74.

8. Partridge C. digitalizing uncertain Information / C. Partridge, A. Mitchell, A. Cola //arXiv preprint arXiv:2507.21173. – 2025.

9. SOK: Come together–unifying Security, Information Theory, and cognition for a Mixed Reality deception attack Ontology & Analysis Framework / A. Teymourian et al // arXiv preprint arXiv:2502.09763. – 2025.

10. Zhang L., Lobov A. Semantic web rule language-based approach for implementing knowledgebased engineering systems. – 2024. – Vol. 62. – P. 102587.

11. Languages and systems for RDF stream processing, a survey / P. Bonte et al // The VLDB Journal. – 2025. – Vol. 34, № 4. – P. 50.