ВИКОРИСТАННЯ ІНДЕКСУ МАНІПУЛЯТИВНОЇ НАСИЧЕНОСТІ ДЖЕРЕЛА В БАГАТОКРИТЕРІАЛЬНОМУ ВІДБОРІ НОВИННИХ ПОВІДОМЛЕНЬ

Владислав Громенко; Віктор Шевченко

doi:10.28925/2663-4023.2026.35.1440

Автор(и)

Владислав Громенко Інститут програмних систем НАН Укарїни https://orcid.org/0009-0001-5285-9912
Віктор Шевченко Інститут програмних систем НАН України, Київський столичний університет імені Бориса Грінченка https://orcid.org/0000-0002-9457-7454

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1440

Ключові слова:

машинне навчання;, інформаційне середовище, новинні повідомлення, маніпулятивні техніки, виявлення маніпуляцій, великі мовні моделі, рекомендаційні системи, ранжування, багатокритеріальна оптимізація

Анотація

Системи відбору новин, що ранжують повідомлення за показниками залучення, схильні підсилювати маніпулятивний зміст, причому маніпулятивність може бути сталою характеристикою редакційної практики окремих джерел. Відомі підходи зазвичай розглядають ці чинники окремо: вони або штрафують маніпулятивне повідомлення однаково незалежно від джерела, або понижують джерело загалом разом з його неманіпулятивними повідомленнями. Метою статті є дослідження адитивного й мультиплікативного способів урахування маніпулятивної насиченості джерела в багатокритеріальному відборі новинних повідомлень та їхнє порівняння на реальних даних. Маніпулятивність повідомлення оцінює класифікатор із кількома мітками за десятьма маніпулятивними техніками, побудований на великій мовній моделі. Індекс маніпулятивної насиченості джерела визначено як середню маніпулятивність повідомлень джерела в часовому вікні й перевірено як вимірювальний засіб. В адитивній формі індекс входить до цільової функції окремим доданком і понижує всі повідомлення джерела, у мультиплікативній – множить штраф за маніпулятивність повідомлення й не понижує неманіпулятивних повідомлень. Обидві форми порівняно зі штрафом без індексу й між собою за однакової ціни в релевантності на замороженому корпусі зі 125 987 повідомлень 34 джерел за 182 доби для 2 184 тематичних запитів. Штраф за маніпулятивність самого повідомлення знижує середню маніпулятивність показаних повідомлень у 5,4 раза ціною 1,09 % релевантності. За тієї самої ціни адитивна форма сильніше зміщує позиції від насичених джерел, але витісняє й їхні неманіпулятивні повідомлення; мультиплікативна форма майже не зачіпає неманіпулятивних повідомлень, проте зменшує частку позицій насичених джерел помірніше: на 15,6 % проти 62,8 % в адитивної відносно штрафу без індексу тієї самої ціни.

Завантаження

Дані завантаження ще не доступні.

Посилання

Brady, W. J., Wills, J. A., Jost, J. T., Tucker, J. A., & Van Bavel, J. J. (2017). Emotion shapes the diffusion of moralized content in social networks. Proceedings of the National Academy of Sciences, 114(28), 7313–7318. https://doi.org/10.1073/pnas.1618923114

Milli, S., Carroll, M., Wang, Y., Pandey, S., Zhao, S., & Dragan, A. D. (2025). Engagement, user satisfaction, and the amplification of divisive content on social media. PNAS Nexus, 4(3), pgaf062. https://doi.org/10.1093/pnasnexus/pgaf062

European Parliament and Council of the European Union. (2022). Regulation (EU) 2022/2065 of the European Parliament and of the Council of 19 October 2022 on a Single Market for Digital Services and amending Directive 2000/31/EC (Digital Services Act). https://eur-lex.europa.eu/eli/reg/2022/2065/oj

Кельм, Н., Романишин, Н., Гебура, О., Міхальков, С., & Дукач, Ю. (2024). Карусель емоцій. Рівень маніпулятивності мови українських телеграм-каналів. Texty.org.ua. https://texty.org.ua/projects/113607/karusel-emocij-riven-manipulyatyvnosti-movy-ukrayinskyh-telehram-kanaliv/

Kyslyi, R., Romanyshyn, N., & Sydorskyi, V. (2025). The UNLP 2025 shared task on detecting social media manipulation. Proceedings of the Fourth Ukrainian Natural Language Processing Workshop (UNLP 2025), 105–111. https://doi.org/10.18653/v1/2025.unlp-1.12

Helberger, N. (2019). On the democratic role of news recommenders. Digital Journalism, 7(8), 993–1012. https://doi.org/10.1080/21670811.2019.1623700

Vrijenhoek, S., Kaya, M., Metoui, N., Möller, J., Odijk, D., & Helberger, N. (2021). Recommenders with a mission: Assessing diversity in news recommendations. Proceedings of the 2021 Conference on Human Information Interaction and Retrieval (CHIIR 2021), 173–183. https://doi.org/10.1145/3406522.3446019

Vrijenhoek, S., Bénédict, G., Gutierrez Granada, M., Odijk, D., & de Rijke, M. (2022). RADio: Rank-aware divergence metrics to measure normative diversity in news recommendations. Proceedings of the 16th ACM Conference on Recommender Systems (RecSys 2022), 208–219. https://doi.org/10.1145/3523227.3546780

Jia, C., Lam, M. S., Mai, M. C., Hancock, J. T., & Bernstein, M. S. (2024). Embedding democratic values into social media AIs via societal objective functions. Proceedings of the ACM on Human-Computer Interaction, 8(CSCW1), 163:1–163:36. https://doi.org/10.1145/3641002

Piccardi, T., Saveski, M., Jia, C., Hancock, J., Tsai, J. L., & Bernstein, M. S. (2025). Reranking partisan animosity in algorithmic social media feeds alters affective polarization. Science, 390(6776), eadu5584. https://doi.org/10.1126/science.adu5584

Pennycook, G., & Rand, D. G. (2019). Fighting misinformation on social media using crowdsourced judgments of news source quality. Proceedings of the National Academy of Sciences, 116(7), 2521–2526. https://doi.org/10.1073/pnas.1806781116

Loftsgaarden, D. O., & Quesenberry, C. P. (1965). A nonparametric estimate of a multivariate density function. The Annals of Mathematical Statistics, 36(3), 1049–1051. https://doi.org/10.1214/aoms/1177700079

INSAIT. (2025). MamayLM-Gemma-3-4B-IT-v1.0. Hugging Face model repository. https://huggingface.co/INSAIT-Institute/MamayLM-Gemma-3-4B-IT-v1.0

Nardo, M., Saisana, M., Saltelli, A., Tarantola, S., Hoffmann, A., & Giovannini, E. (2008). Handbook on constructing composite indicators: Methodology and user guide. OECD Publishing. https://doi.org/10.1787/9789264043466-en

Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.

Sanderson, M. (2010). Test collection based evaluation of information retrieval systems. Foundations and Trends in Information Retrieval, 4(4), 247–375. https://doi.org/10.1561/1500000009

Wang, L., Yang, N., Huang, X., Yang, L., Majumder, R., & Wei, F. (2024). Multilingual E5 text embeddings: A technical report. arXiv. https://doi.org/10.48550/arXiv.2402.05672

Geyik, S. C., Ambler, S., & Kenthapadi, K. (2019). Fairness-aware ranking in search & recommendation systems with application to LinkedIn talent search. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD 2019), 2221–2231. https://doi.org/10.1145/3292500.3330691

Politis, D. N., & Romano, J. P. (1992). A circular block-resampling procedure for stationary data. In R. LePage & L. Billard (Eds.), Exploring the limits of bootstrap (pp. 263–270). Wiley.

Laba, Y., Mudryi, V., Chaplynskyi, D., Romanyshyn, M., & Dobosevych, O. (2023). Contextual embeddings for Ukrainian: A large language model approach to word sense disambiguation. Proceedings of the Second Ukrainian Natural Language Processing Workshop (UNLP 2023), 11–19. https://doi.org/10.18653/v1/2023.unlp-1.2

Zhang, Y., Li, M., Long, D., Zhang, X., Lin, H., Yang, B., Xie, P., Yang, A., Liu, D., Lin, J., Huang, F., & Zhou, J. (2025). Qwen3 embedding: Advancing text embedding and reranking through foundation models. arXiv. https://doi.org/10.48550/arXiv.2506.05176

Reimers, N., & Gurevych, I. (2020). Making monolingual sentence embeddings multilingual using knowledge distillation. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 4512–4525. https://doi.org/10.18653/v1/2020.emnlp-main.365

Thomas, P., Spielman, S., Craswell, N., & Mitra, B. (2024). Large language models can accurately predict searcher preferences. Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2024), 1930–1940. https://doi.org/10.1145/3626772.3657707

Faggioli, G., Dietz, L., Clarke, C. L. A., Demartini, G., Hagen, M., Hauff, C., Kando, N., Kanoulas, E., Potthast, M., Stein, B., & Wachsmuth, H. (2023). Perspectives on large language models for relevance judgment. Proceedings of the 2023 ACM SIGIR International Conference on Theory of Information Retrieval (ICTIR 2023), 39–50. https://doi.org/10.1145/3578337.3605136

Anthropic. (2026). System Card: Claude Sonnet 5.5. https://www.anthropic.com/claude-sonnet-5-5-system-card

Järvelin, K., & Kekäläinen, J. (2002). Cumulated gain-based evaluation of IR techniques. ACM Transactions on Information Systems, 20(4), 422–446. https://doi.org/10.1145/582415.582418