Разработка антифейк-сервиса образовательного назначения для анализа русскоязычных новостных текстов

Цель исследования. Актуальность данного исследования обусловлена устойчивым ростом дезинформации в цифровой среде, что делает разработку систем автоматизированной верификации контента не только критически значимым инструментом обеспечения национальной информационной безопасности, но и важной цифровой технологией образовательного назначения для повышения цифровой грамотности современных пользователей. Цель работы заключается в разработке и обосновании архитектуры антифейк-сервиса как специализированного цифрового инструмента образовательного назначения. В рамках исследования решаются следующие задачи: сравнительная оценка эффективности нейросетевых моделей для анализа новостей на русском языке и формирование методических рекомендаций по интеграции цифрового сервиса в учебный процесс, направленных на развитие критического отношения к информации в современном русскоязычном информационном пространстве.

Материалы и методы исследования. Антифейк-сервис основан на ансамблевом методе обучения нейросетевых моделей: рекуррентные нейронные сети (включая архитектуру нейронной сети долгой краткосрочной памяти), сверточные нейронные сети. Обучение проводилось на публичном наборе данных русскоязычных новостей “Fake and real Russian news”. Для предобработки текста на русском языке реализован специализированный конвейер, включающий лемматизацию и удаление стоп-слов. Оценка качества бинарной классификации новостных текстов на русском языке выполнялась на основе комплекса метрик: Accuracy, Precision, Recall и F1-score. Архитектура цифрового сервиса реализована с применением микросервисного подхода на базе технологического стека FastAPI/ React, что обеспечивает масштабируемость и гибкость системы.

Результаты исследования. Разработан рабочий прототип интеллектуального антифейк-сервиса для анализа русскоязычных новостных текстов. Ключевой особенностью предложенного цифрового решения является предоставлению пользователю возможности интерактивного выбора и комбинирования моделей глубокого обучения в реальном режиме времени через интуитивно понятный web-интерфейс, что позволяет не только классифицировать новости на достоверные и фейковые, но и наглядно демонстрировать работу алгоритмов глубокого обучения в учебном процессе, формируя практические навыки верификации информации. Экспериментальные данные подтвердили эффективность предложенного подхода к разработке антифейк-сервиса: наивысшая точность (Accuracy 93,3%) была достигнута с использованием сверточной нейронной сети, что обусловлено ее способностью выявлять локальные семантические паттерны в текстах. Применение вероятностного ансамблирования повысило надежность и устойчивость бинарной классификации русскоязычных новостных текстов.

Заключение. Проведенное исследование решает актуальную проблему на стыке информационной безопасности и педагогики противодействие дезинформации через развитие цифровой грамотности. Новизна и ключевое преимущество разработанного антифейк-сервиса заключаются в его функциональной двойственности: это инструмент автоматической бинарной классификация русскоязычных новостных текстов и одновременно сервис для формирование практических навыков верификации информации у пользователей через интерактивное взаимодействие с нейросетевыми моделями. Антифейк-сервис обладает значительным дидактическим потенциалом и может быть интегрирован в образовательные программы курсов для развития цифровой грамотности обучающихся, включая его использование в курсах по информатике, информационной безопасности, машинному обучению и другим дисциплинам. Таким образом, разработанный антифейк-сервис выполняет роль как инструмента автоматической верификации русскоязычного контента, так и цифрового средства образовательного назначения, которое способствует формированию критического отношения к информации в цифровой медиасреде.

1. Lazer D., Baum M., Benkler Y., Berinsky A., Greenhill K., Menczer F., Metzger M., Nyhan B., Pennycook G., Rothschild D., Schudson M., Sloman S., Sunstein C., Thorson E., Watts D., Zittrain J. The science of fake news // Science. 2018. Т. 359. № 6380. С. 1094–1096. DOI: 10.1126/science.aao2998.

2. Исследование: более 90% опрошенных россиян сталкивались с фейками [Электрон. ресурс] // Rambler&Co. 2023. Режим доступа: https://rambler-co.ru/news/638.

3. 2025 Edelman Trust Barometr. Global Report [Электрон. ресурс]. Режим доступа: https://www.edelman.com/sites/g/files/aatuss191/files/2025-01/2025%20Edelman%20Trust%20Barometer%20Global%20Report_01.23.25.pdf.

4. В России появится первый антифейк-сервис [Электрон. ресурс]. Режим доступа: https://dialog.info/v-rossii-poyavitsya-pervyj-antifejk-servis/.

5. Mahalpure A., Marwade A., Kadam P., Raut Sh. Advancing media integrity through AI-powered fake news detection // International journal of research and analytical reviews. 2025. Т. 12. № 2. DOI: 10.56975/ijrar.v12i2.310939.

6. Gifu D. An intelligent system for detecting fake news // Procedia Computer Science. 2023. Т. 221. С. 1058–1065. DOI: 10.1016/j.procs.2023.08.088.

7. Ko H., Hong J.Y., Kim S., Mesicek L., Na I.S. Human-machine interaction: a case study on fake news detection using a backtracking based on a cognitive system // Cognitive Systems Research. 2019. Т. 55. № 11. С. 77–81. DOI: 10.1016/j.cogsys.2018.12.018.

8. Бенгфорт Б., Билбро Р., Охеда Т. Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка. СПб.: Питер, 2019. 368 с.

9. Sarkar D. Text analytics with python. A practitioner’s guide to natural language processing. India: 2019, 674 с.

10. Баймуратова Л.Р., Долгова О.А., Имаева Г.Р., Гриценко В.И., Смирнов К.В. Цифровая грамотность для экономики будущего [Электрон. ресурс]. Режим доступа: https://nafi.ru/projects/sotsialnoe-razvitie/tsifrovaya-gramotnost-dlya-ekonomiki-budushchego/.

11. Barbado R., Araque O., Iglesias C.A. A framework for fake review detection in online consumer electronics retailers // Information Processing and Management. 2019. Т. 56. № 4. С. 1234–1244. DOI: 10.1016/j.ipm.2019.03.002.

12. Xu K., Wang F., Wang H., Yang Bo. Detecting fake news over online social media via domain reputations and content understanding // Tsinghua Science and Technology. 2020. Т. 25. № 1. С. 20–27. DOI: 10.26599/tst.2018.9010139.

13. Oliveira N.R., Medeiros D.S.V., Mattos D.M.F. A sensitive stylistic approach to identify fake news on social networking // IEEE Signal Processing Letters. 2020. Т. 27. С. 1250–1254. DOI: 10.1109/lsp.2020.3008087.

14. Özbay F.A., Alatas B. Fake news detection within online social media using supervised artificial intelligence algorithms // Physica A: Statistical Mechanics and its Applications. 2020. Т. 540. С. 123174. DOI: 10.1016/j.physa.2019.123174.

15. Jadhav S.S., Thepade S.D. Fake news identification and classification using DSSM and improved recurrent neural network classifier // Applied Artificial Intelligence. 2019. Т. 33. № 12. С. 1058–1068. DOI: 10.1080/08839514.2019.1661579.

16. Kaur S., Kumar P., Kumaraguru P. Automating fake news detection system using multilevel voting model // Soft Computing. 2020. Т. 24. С. 9049–9069. DOI: 10.1007/s00500-019-04436-y.

17. Saleh H., Alharbi A., Alsamhi S.H. OPCNN-FAKE: Optimized convolutional neural network for fake news detection // IEEE Access. 2021. Т. 9. С. 129471–129489. DOI: 10.1109/access.2021.3112806.

18. Bhattacharjee R., Sufian M., Talha M., Ahmed M., Tasnim F., Sara S., Islam K. Title-based fake news detection using LSTM. 2024. С. 173–178. DOI: 10.1109/ICDT61202.2024.10488933.

19. Khare S., Singh P., Kumar P. LSTM based approach to detect fake news. 2024. С. 1501–1505. DOI: 10.1109/ICDT61202.2024.10488933.

20. Raj Ch., Meel P. ConvNet frameworks for multi-modal fake news detection // Applied Intelligence. 2021. Т. 51. № 11. С. 8132–8148. DOI: 10.1007/s10489-021-02345-y.

21. Pummy D., Amandeep K. Automatic fake news identification: a hybrid CNN-LSTM-logistic regression approach // Journal of Information Systems Engineering and Management. 2025. Т. 10. № 7. С. 446–460. DOI: 10.52783/jisem.v10i7s.876.

22. Saadi A., Belhadef H., Guessas A., Hafirassou O. Enhancing fake news detection with transformer models and summarization // Engineering, Technology and Applied Science Research. 2025. Т. 1. № 3. С. 23253–23259. DOI: 10.48084/etasr.10678.

23. Некрасов Г.А., Романова И.И. Разработка поискового робота для обнаружения веб-контента с фейковыми новостями // Инновационные, информационные и коммуникационные технологии. 2017. № 1. C. 128–130.

24. Жук Д.А., Жук Д.В., Третьяков А.О. Методы определения поддельных новостей в социальных сетях с использованием машинного обучения // Информационные ресурсы России. 2018. № 3(163). С. 29–32.

25. Тумбинская М.В., Галиев Р.А. Идентификация фейк-новостей с помощью веб-ресурса на основе нейронных сетей // Программные продукты и системы. 2023. №. 4. C. 590–599. DOI: 10.15827/0236-235X.144.590-599.

26. Roumeliotis K.I., Tselikas N.D., Nasiopoulos D.K. Fake news detection and classification: a comparative study of convolutional neural networks, large language models, and natural language processing models // Future Internet. 2025. Т. 17. № 1. С. 28. DOI: 10.3390/fi17010028.

27. Внедрение стандарта совместимости учебных инструментов (LTI) [Электрон. ресурс]. Режим доступа: https://arcadia.spb.ru/studies/lti-for-elearning.

28. Моисеева Н.А., Сотников А.Д. Сравни-тельный анализ архитектур нейронных сетей для детекции фейковых новостей // XV Международная молодежная научно-практическая конференция с элементами научной школы «Прикладная математика и фундаментальная информатика» (Омск, 19–24 мая 2025 года). Омск: Омский государственный технический университет, 2025. С. 114–115.