ІНФОРМАЦІЙНА МОДЕЛЬ ДАНИХ, ВІДТВОРЮВАНІСТЬ І ПРОЦЕДУРНА ПІДЗВІТНІСТЬ У СИСТЕМІ МОНІТОРИНГУ ІНФОРМАЦІЙНИХ ЗАГРОЗ

Х.В. Ліп’яніна–Гончаренко; І.В. Ігнатєв; М.П. Комар; В.С. Пойдич

doi:10.34185/1562-9945-5-166-2026-13

Автор(и)

Х.В. Ліп’яніна–Гончаренко
І.В. Ігнатєв
М.П. Комар
В.С. Пойдич

DOI:

https://doi.org/10.34185/1562-9945-5-166-2026-13

Ключові слова:

інформаційна модель даних, моніторинг інформаційних загроз, відтворюваність результатів, процедурна підзвітність, аудитний слід, аналіз медіаконтенту, контур «людина–система», життєвий цикл даних

Анотація

Статтю присвячено обґрунтуванню інформаційної моделі даних для систем моніторингу інформаційних загроз, орієнтованої на забезпечення відтворюваності обчислень та процедурної підзвітності. Автором запропоновано розглядати збагачений запис новинного повідомлення як єдиний чотиришаровий інтеграційний каркас. Він об’єднує первинні текстові поля, метадані джерела, оцінки аналітичних модулів (тематику, тональність, інверсію) та службові атрибути якості. Визначено технічні підстави забезпечення відтворюваності результатів через фіксацію конфігурацій і версійності компонентів. Доведено необхідність наскрізного аудитного сліду та інтеграції експертного контуру «людина–система» для аналізу чутливого контенту. Практична цінність полягає у створенні методологічної основи для побудови прозорих і підзвітних систем медіамоніторингу.

Посилання

1. Bender, E. M., & Friedman, B. (2018). Data statements for natural language processing: Toward mitigating system bias and enabling better science. Transactions of the Association for Computational Linguistics, 6, 587–604. doi:10.1162/tacl_a_00041.

2. Gebru, T., Morgenstern, J., Vecchione, B., Vaughan, J. W., Wallach, H., Daumé III, H., & Crawford, K. (2021). Datasheets for datasets. Communications of the ACM, 64(12), 86–92. doi:10.1145/3458723.

3. Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer, E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. In Proceedings of the Con-ference on Fairness, Accountability, and Transparency (pp. 220–229). doi:10.1145/3287560.3287596.

4. Königstorfer, F., & Thalmann, S. (2022). AI documentation: A path to accountability. Journal of Responsible Technology, 11, 100043. doi:10.1016/j.jrt.2022.100043.

5. Magnusson, I., Smith, N. A., & Dodge, J. (2023). Reproducibility in NLP: What have we learned from the checklist? In Findings of the Association for Computational Linguistics: ACL 2023 (pp. 12789–12811). Association for Computational Linguistics.

6. Belz, A., Popovic, M., & Mille, S. (2022). Quantified reproducibility assessment of NLP results. In Proceedings of the 60th Annual Meeting of the Association for Computational Lin-guistics (Volume 1: Long Papers) (pp. 16–28). Association for Computational Linguistics.

7. Mökander, J. (2023). Auditing of AI: Legal, ethical and technical approaches. Digital Society, 2, Article 49. doi:10.1007/s44206–023–00074–y.

8. Minkkinen, M., Laine, J., & Mäntymäki, M. (2022). Continuous auditing of artificial intel-ligence: A conceptualization and assessment of tools and frameworks. Digital Society, 1, Article 21. doi:10.1007/s44206–022–00022–2.

9. Cavus, N., Goksu, M., & Oktekin, B. (2024). Real–time fake news detection in online so-cial networks: FANDC cloud–based system. Scientific Reports, 14, Article 25954. doi:10.1038/s41598–024–76102–9.

10. Ji, W., Lv, H., Zhao, H., et al. (2026). Explainable multi–granularity attribution reason-ing framework for fake news detection. npj Artificial Intelligence, 2, Article 38. doi:10.1038/s44387–026–00093–3.