МЕТОДИ ДЕСТРУКТИВНОГО ВПЛИВУ ТА ЗАХИСТУ КОНТЕНТУ В СОЦІАЛЬНИХ МЕРЕЖАХ

Микола Браіловський; Володимир Хорошко

doi:10.17721/ISTS.2023.1.5-12

Автор(и)

Микола Браіловський Київський національний університет імені Тараса Шевченка Автор https://orcid.org/0000-0002-3148-1148
Володимир Хорошко Національний авіаційний університет Автор https://orcid.org/0000-0001-6213-7086

DOI:

https://doi.org/10.17721/ISTS.2023.1.5-12

Ключові слова:

деструктивні впливи аудіо- та відеоконтентів, соціальні мережі, аналіз тональності тексту, методи аналізу

Анотація

Розглянуто актуальну тему захисту суспільства від деструктивних впливів у соціальних мережах. Доведено, що для запобігання подібним впливам, необхідно оцінювати не тільки матеріали, що містяться в текстах, аудіо- та відеоконтентах, а й тональність інформації, що поширюється в них. Тональність є однією з характеристик думки або емоції і нині використовується як основний параметр для класифікації текстів за тематичними категоріями. Це пояснюється зручністю й ефективністю класифікації за цим принципом та значно спрощує інші завдання з класифікації текстових постів. Сформовано категорії тональної оцінки. Доведено можливість оцінювання настрою за одновимірним або багатовимірним параметром. Показано можливість використання для класифікації тональності тексту двох підходів. Перший – це автоматичний аналіз цифрових текстів комп'ютерами з елементами машинного навчання або навчання з учителем. Другий – за допомогою словників (тезаурусів), підключених до програми. Наведено недоліки, які виникають у автоматичних комплексах для визначення тональності. Запропоновано новий алгоритм роботи автоматичних комплексів. Зазначено, якщо якість системи аналізу тональності тексту оцінюється тим, наскільки добре вона узгоджується з думкою людини щодо емоційного оцінювання досліджуваного тексту, то для цього можуть використовуватися такі показники, як точність і повнота. Наведено розрахунки цих параметрів. Під час розгляду публікації, представленої у формі зображення, зазначено необхідність враховувати параметри яскравості, контрасту, а також колірних поєднань, оскільки ці показники потенційно можуть використовуватися розповсюджувачами деструктивного контенту для привернення уваги мережі користувачів. Заявлено, що фотоматеріали можуть містити різні праворадикальні знаки та символи, які можуть стосуватися пропаганди певної забороненої організації чи ідеології. Представлено частоти, завдяки яким можливо дестабілізаційно впливати на організм людини. Проведено аналіз можливих методів впливу на свідомість користувача соціальними мережами.

Завантажити

Дані для завантаження поки недоступні.

Посилання

Brailovsky M. M., & Tolyupa S. V. (2021). Problems of analyzing and forecasting informational and psychological influences in social networks, International Scientific and Practical Conference [Information Security and Information Technologies]: conference materials. Kharkiv – Odesa: Semyon Kuznets Kharkiv National University of Economics [in Ukrainian].

Yue L., Chen W., Li X., Zuo W., & Yin M. (2018, Jul.). A survey of sentiment analysis in social media. Knowl. Inf. Syst., vol. 60, 617–663.

Tedmori, S., & Awajan, А. (2019). Sentiment analysis main tasks and applications: A survey J. Inf. Process. Syst., vol. 15, no. 3, pp. 500–519.

Stefano B. (2010). Sentiwordnet 3.0: An enhanced lexical resource for sentiment analysis and opinion mining, Proceedings of LREC :conference, рр. 2200–2204.

Pang, B., & Lee, L. (2004). A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts // Proceedings of the Association for Computational Linguistics (ACL) : article, рр. 271–278.

Liu, B. (2010). Sentiment Analysis and Subjectivity. Eds.: N. Indurkhya, F. J. Damerau. Handboor of Natural Language Processing, рp. 38.

Pang B., & Lee L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrseval, 2. 16–17.

SenticNet (2009). http://sentic.net/about/.

Cambria, Е., Poria, S., Bajpai, R., & Schuller, B. (Dec. 2016). SenticNet 4: A semantic resource for sentiment analysis based on conceptual primitives. Іn Proc. 26th Int. Conf. Comput. Linguistics, Tech. Papers (COLING). Osaka, Japan: The COLING 2016 Organizing Committee, pp. 2666–2677. https://www.aclweb.org/anthology/C16-1251.

Gatti, L., Guerini, М., & Turchi, M. (Oct. 2016). SentiWords: Deriving a highprecision and high coverage lexicon for sentiment analysis, IEEE Trans. Affect. Comput., vol. 7, no. 4, pp. 409–421.

Hofeisen, O. V., & Pylyavskyi, V. V. (2012). The range of colors transmitted by digital television systems. Digital technologies, 11, 47–70 [in Ukrainian].