OНTOЛОГИЯЛЫҚ МОДЕЛЬ МЕН МЕДИА МӘТІНДЕРІН СЕМАНТИКАЛЫҚ БЕЛГІЛЕУ НЕГІЗІНДЕ ҰЙЫМДАСТЫРЫЛҒАН ЗИЯТКЕРЛІК ЖАСАНДЫ ЖАҢАЛЫҚТАРДЫ АНЫҚТАУ ЖҮЙЕСІ

Бұл мақалада медиа мәтіндерді онтологиялық модельдеу мен семантикалық аннотациялау негізінде жалған жаңалықтарды анықтау тәсілі ұсынылады. Зерттеу аясында 2018-2026 жылдар аралығындағы Scopus дерекқорындағы жарияланымдарға библиометриялық талдау жүргізіліп, жалған жаңалықтарды анықтау және семантикалық тәсілдер саласындағы негізгі үрдістер айқындалды. Нәтижелер дәстүрлі машиналық оқыту әдістерінен трансформерлік, графтық және семантикалық модельдерге көшу үрдісін көрсетеді. Деректерді жинау, алдын ала өңдеу, Label Studio жүйесінде көпдеңгейлі аннотациялау, білім графын құру, модельдерді оқыту, инференс және аналитика кезеңдерін қамтитын бейімделетін жүйе архитектурасы ұсынылды. Жаңалық мәтіндерінің негізгі элементтерін құрылымдайтын формалды онтологиялық модель әзірленді: тұжырым (claim), дереккөз (source), дәлел (evidence), автор ниеті (author intent), мақсатты аудитория (target audience) және дезинформация әдісі (disinformation technique). Жүйе қазақ және орыс тілдеріндегі көптілді өңдеуді қолдайды. Деректер жиыны 5 000 жаңалық мәтінінен тұрады, олардың жартысы жалған, жартысы шынайы және екі тіл арасында теңгерімді бөлінген. Аннотация сапасы Cohen’s Kappa коэффициенті арқылы бағаланды (0,72–0,81), бұл аннотацияның келісімді орындалғанын көрсетеді. Ұсынылған тәсіл көптілді ортада жалған жаңалықтарды автоматты анықтау жүйелерін әрі қарай дамыту мен бағалау үшін құрылымдық негіз ұсынады.

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.