ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ВЫЯВЛЕНИЯ ФЕЙКОВЫХ НОВОСТЕЙ НА ОСНОВЕ ОНТОЛОГИЧЕСКОЙ МОДЕЛИ И СЕМАНТИЧЕСКОЙ РАЗМЕТКИ МЕДИА-ТЕКСТОВ

В данной статье представлен подход к выявлению фейковых новостей на основе онтологического моделирования и семантической аннотации медиатекстов. В исследовании проведён библиометрический анализ публикаций базы данных Scopus за 2018-2026 годы с целью выявления тенденций в области обнаружения фейковых новостей и семантических методов анализа. Результаты показывают переход от традиционных методов машинного обучения к трансформерным, графовым и семантическим моделям. Предложена адаптивная архитектура системы, включающая сбор данных, предварительную обработку, многоуровневую разметку в Label Studio, построение графа знаний, обучение моделей, инференс и аналитический модуль. Разработана формальная онтологическая модель, структурирующая ключевые элементы новостных текстов: утверждение (claim), источник (source), доказательство (evidence), намерение автора (author intent), целевая аудитория (target audience) и техника дезинформации (disinformation technique). Система поддерживает многоязычную обработку на казахском и русском языках. Датасет включает 5 000 новостных сообщений, равномерно распределённых между фейковыми и реальными новостями и сбалансированных по языкам. Качество разметки оценивалось с использованием коэффициента Cohen’s Kappa (0,72-0,81), что свидетельствует о согласованности аннотации. Предложенный подход создаёт структурную основу для дальнейшей разработки и оценки автоматизированных систем выявления фейковых новостей в многоязычной среде.

1. Credible, unreliable or leaked? Evidence verification for enhanced automated fact-checking / Z. Chrysidis et al // Proceedings of the 3rd ACM International Workshop on Multimedia AI against Disinformation. – 2024. – P. 73-81. https://doi.org/10.1145/3643491.366027.

2. Setty V. Factcheck editor: Multilingual text editor with end-to-end fact-checking / V. Setty // Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. – 2024. – P. 2744-2748. https://doi.org/10.1145/3626772.3657663.

3. Toward automated factchecking: Developing an annotation schema and benchmark for consistent automated claim detection / L. Konstantinovskiy et al // Digital threats: research and practice. – 2021. – Т. 2, № 2. – P. 1-16. https://doi.org/10.1145/3412869.

4. Indonesian fake news detection using various machine learning technique / L. Triyono et al // International Journal on Informatics Visualization. – 2023. – Т. 7, № 3. – P. 726-732. https://doi.org/10.30630/joiv.7.3.1243.

5. Abumansour A.S. Check-worthy claim detection across topics for automated fact-checking / A.S. Abumansour, A. Zubiaga // PeerJ Computer Science. – 2023. – Т. 9. – Р. e1365. https://doi.org/10.7717/peerj-cs.1365.

6. Alghamdi J. A comparative study of machine learning and deep learning techniques for fake news detection / J. Alghamdi, Y. Lin, S. Luo // Information. – 2022. – Т. 13, № 12. – 576. https://doi.org/10.3390/info13120576.

7. Nasir A. Credia: Contextualized retrieval of evidence for open-domain fact verification / A. Nasir, M. Wasim, S. Nasir // Knowledge and Information Systems. – 2025. – P. 1-31. https://doi.org/10.1007/s10115-025-02400-x.

8. Multiknowledge and LLM-inspired heterogeneous graph neural network for fake news detection / B. Xie et al // IEEE Transactions on Computational Social Systems. – 2024. https://doi.org/10.1109/TCSS.2024.3488191.

9. A multi-level annotation model for fake news detection: Implementing Kazakh-Russian corpus via Label Studio / M. Sambetbayeva et al // Big Data and Cognitive Computing. – 2025. – Т. 9, № 8. – H. 215. https://doi.org/10.3390/bdcc9080215.

10. Wang X. Monolingual and Multilingual Misinformation Detection for Low-Resource Languages: A Comprehensive Survey / X. Wang, W. Zhang, S. Rajtmajer // Inf. Process. Manag. – 2025. – № 62. – Р. 102789.