Концептуальные шаблоны создания фейковых новостей | Вестник Томского государственного университета. 2025. № 515. DOI: 10.17223/15617793/515/12

ГлавнаяАрхивКонцептуальные шаблоны создания фейковых новостей | Вестник Томского государственного университета. 2025. № 515. DOI: 10.17223/15617793/515/12

Концептуальные шаблоны создания фейковых новостей

Описаны 15 концептуальных шаблонов создания фейковых новостей, разработанных с помощью метода аналогий и адаптации «основных шаблонов качественной рекламы» Якоба Голденберга. В качестве основы выступает обработка 387 фейковых материалов. Первичная валидизация шаблонов проведена с использованием опроса 30 респондентов (коэффициент альфа Кронбаха = 0,89). Данные шаблоны предлагается интегрировать в системы машинного обучения с целью повышения точности алгоритмов по обнаружению дезинформации и недопущения дестабилизации политической ситуации в стране. Авторы заявляют об отсутствии конфликта интересов.

Ключевые слова

фейковые новости, манипулятивный контент, дезинформация, медиакоммуникации, языковые модели

Авторы

ФИООрганизацияДополнительноE-mail
Тхориков Борис АлександровичРоссийский государственный университет имени А.Н. Косыгина (Технологии. Дизайн. Искусство)д-р экон. наук, зав. кафедрой сервисных технологий и бизнес-процессовtkhorikov-ba@rguk.ru
Клименко Виктор АлександровичНациональный исследовательский Томский государственный университетканд. техн. наук, канд. психол. наук, директор Сибирского центра дизайнаklimenko@siberia.design
Осадчая Ольга СергеевнаРоссийский государственный университет имени А.Н. Косыгина (Технологии. Дизайн. Искусство)канд. экон. наук, старший преподаватель кафедры сервисных технологий и бизнес-процессовosadchaya-os@rguk.ru
Мацепуро Дарья МихайловнаНациональный исследовательский Томский государственный университетканд. ист. наук, директор Центра науки и этикиdaria.matsepuro@mail.tsu.ru
Труфанов Давид АлександровичНациональный исследовательский Томский государственный университетмагистрант института прикладной математики и компьютерных наук, специалист Сибирского (Томского) центра изучения искусственного интеллекта и цифровых технологийdavid.trufanov@siberianai.tsu.ru
Всего: 5

Ссылки

Lazer D.M.J. et al. The science of fake news // Science. 2018. Vol. 359, № 6380. P. 1094-1096. doi: 10.1126/science.aao2998.
Vosoughi S., Roy D., Aral S. The spread of true and false news online // Science. 2018. Vol. 359, № 6380. P. 10.1126/science.aap9559.
Pennycook G., Rand D.G. Fighting misinformation on social media using crowdsourced judgments of news source quality // Proceedings of the National Academy of Sciences. 2019. Vol. 116, № 7. P. 2521-2526.
Shu K. et al. Fake news detection on social media: A data mining perspective // ACM SIGKDD explorations newsletter. 2017. Vol. 19. № 1. P. 2236. doi: 10.1145/3137597.3137600.
Ruiz J.M.G. Discerning disinformation through design: Exploring fake news website design patterns // The Asian Conference on Media, Communication & Film. 2018. URL: https://papers.iafor.org/submission42587/.
Wang W.Y., Chang Y.C., Peng W.C. Style-News: Incorporating Stylized News Generation and Adversarial Verification for Neural Fake News Detection // arXiv preprint arXiv:2401.15509. 2024.
Tandoc Jr E.C., Lim Z.W., Ling R. Defining «fake news» A typology of scholarly definitions // Digital journalism. 2018. Vol. 6, № 2. P. 137-153.
Pennycook G., Rand D.G. Fighting misinformation on social media using crowdsourced judgments of news source quality // Proceedings of the National Academy of Sciences. 2019. Vol. 116, № 7. P. 2521-2526.
Wu J. et al. Prompt-and-align: prompt-based social alignment for few-shot fake news detection // Proceedings of the 32nd ACM International Conference on Information and Knowledge Management. 2023. P. 2726-2736.
Guo H. et al. Each Fake News is Fake in its Own Way: An Attribution Multi-Granularity Benchmark for Multimodal Fake News Detection // arXiv preprint arXiv:2412.14686. 2024.
Jin R. et al. Fake News Detection and Manipulation Reasoning via Large Vision-Language Models // arXiv preprint arXiv:2407.02042. 2024.
Hashmi E. et al. Advancing Fake News Detection: Hybrid Deep Learning With Fast Text and Explainable AI. // IEEE Access. 2024. Vol. 12. P. 44462-44480. doi: 10.1109/access.2024.3381038.
Dhawan M. et al. Game-on: Graph attention network based multimodal fusion for fake news detection // Social Network Analysis and Mining. 2024. Vol. 14. Art. No. 114. doi: 10.1007/s13278-024-01271-4.
Giri M., Eswaran S., Honnavalli P. Automated and Interpretable Fake News Detection With Explainable Artificial Intelligence // Journal of Applied Security Research. 2024. Vol. 19, Is. 4. P. 628-648. doi: 10.1080/19361610.2024.2356431.
Goldenberg J., Mazursky D., Solomon S. The fundamental templates of quality ads // Marketing science. 1999. Vol. 18, № 3. P. 333-351. doi: 10.1287/mksc.18.3.333.
Devlin J., Chang M.W., Lee K., Toutanova K. Bert: pre-training of deep bidirectional transformers for language understanding. 2018. arXiv preprint arXiv:1810.04805.
Концептуальные шаблоны создания фейковых новостей | Вестник Томского государственного университета. 2025. № 515. DOI: 10.17223/15617793/515/12

Концептуальные шаблоны создания фейковых новостей | Вестник Томского государственного университета. 2025. № 515. DOI: 10.17223/15617793/515/12