КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Актуальні проблеми бойового застосування, експлуатації і ремонту зразків озброєння та військової техніки (2026)

Розмір шрифта: 
ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ВИЯВЛЕННЯ ОЗНАК ІНФОРМАЦІЙНО-ПСИХОЛОГІЧНИХ ОПЕРАЦІЙ
Леонід Олександрович Майданевич, Софія Дмитрівна Климчук

Остання редакція: 2026-11-03

Анотація


Розглянуто можливості застосування технологій штучного інтелекту (ШІ) для виявлення та протидії інформаційно-психологічним операціям (ІПсО) у цифровому середовищі. Визначено основні напрями використання інтелектуальних алгоритмів для аналізу текстового контенту. Особливу увагу приділено математичному моделюванню поширення дезінформації, адаптації алгоритмів до зміни інформаційних загроз та залученню експертного оцінювання за принципом Human-in-the-Loop. Обґрунтовано доцільність комплексного поєднання методів машинного навчання, аналізу мережевих взаємозв’язків і фахової перевірки результатів для підвищення ефективності виявлення потенційних інформаційно-психологічних операцій та підтримки прийняття рішень щодо протидії їм.

Ключові слова


штучний інтелект; інформаційно-психологічні операції; дезінформація; інформаційні загрози; діпфейки

Посилання


 

1. NATO. NATO’s approach to counter information threats. 18 October 2024. URL: https://www.nato.int/en/about-us/official-texts-and-resources/official-texts/2024/10/18/natos-approach-to-counter-information-threats (дата звернення: 31.10.2026).

 

2. Ministry of Defence. Allied Joint Doctrine for Information Operations (AJP-10.1). 2023. URL: https://www.gov.uk/government/publications/allied-joint-doctrine-for-information-operations-ajp-101 (дата звернення: 31.10.2026).

 

3. Bentzen N. Information manipulation in the age of generative artificial intelligence. European Parliamentary Research Service. 2025. URL: https://www.europarl.europa.eu/thinktank/en/document/EPRS_BRI(2025)779259 .

 

4. Papageorgiou E., Chronis C., Varlamis I., Himeur Y. A Survey on the Use of Large Language Models (LLMs) in Fake News. Future Internet. 2024. Vol. 16, No. 8. Article 298. DOI: https://doi.org/10.3390/fi16080298.

 

5. Lakzaei B., Haghir Chehreghani M., Bagheri A. Disinformation detection using graph neural networks: a survey. Artificial Intelligence Review. 2024. Vol. 57. Article 52. DOI: https://doi.org/10.1007/s10462-024-10702-9.

 

6. Zouzou Y., Varol O. Unsupervised detection of coordinated fake-follower campaigns on social media. EPJ Data Science. 2024. Vol. 13. Article 62. DOI: https://doi.org/10.1140/epjds/s13688-024-00499-6.

 

7. Khan A. A., Laghari A. A., Inam S. A. et al. A survey on multimedia-enabled deepfake detection: state-of-the-art tools and techniques, emerging trends, current challenges & limitations, and future directions. Discover Computing. 2025. Vol. 28. Article 48. DOI: https://doi.org/10.1007/s10791-025-09550-0.

 

8. Claim detection for automated fact-checking: A survey on monolingual, multilingual and cross-lingual research. Natural Language Processing Journal. 2024. Vol. 7. Article 100066. DOI: https://doi.org/10.1016/j.nlp.2024.100066.

 

9. Quelle D., Bovet A. The perils and promises of fact-checking with large language models. Frontiers in Artificial Intelligence. 2024. Vol. 7. Article 1341697. DOI: https://doi.org/10.3389/frai.2024.1341697.

 

10. Song C., Shu K., Wu B. Temporally evolving graph neural network for fake news detection. Information Processing & Management. 2021. Vol. 58, No. 6. Article 102712. DOI: https://doi.org/10.1016/j.ipm.2021.102712.

 

11. Cartwright B., Frank R., Weir G. et al. Detecting and responding to hostile disinformation activities on social media using machine learning and deep neural networks. Neural Computing and Applications. 2022. Vol. 34. P. 15141–15163. DOI: https://doi.org/10.1007/s00521-022-07296-0.

 

12. Su J., Cardie C., Nakov P. Adapting Fake News Detection to the Era of Large Language Models. Findings of the Association for Computational Linguistics: NAACL 2024. 2024. P. 1473–1490. DOI: https://doi.org/10.18653/v1/2024.findings-naacl.95.

 

13. Mendes E., Chen Y., Xu W., Ritter A. Human-in-the-loop Evaluation for Early Misinformation Detection: A Case Study of COVID-19 Treatments. Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics. 2023. P. 15817–15835. DOI: https://doi.org/10.18653/v1/2023.acl-long.881.



Повний текст: PDF