ПОДХОДЫ К ОБЕСПЕЧЕНИЮ ИНФОРМАЦИОННО-ПСИХОЛОГИЧЕСКОЙ БЕЗОПАСНОСТИ ЛИЧНОСТИ В СОЦИАЛЬНЫХ МЕДИА
Ключевые слова:
Интернет, молодежь, информационно-психологическая безопасность, автоматическая фильтрация, алгоритмы классификации.
Аннотация
Проблема и цель. В современном мире информация и информационно-коммуникационные технологии играют большую роль во всех сферах жизни общества и государства. При этом Интернет не только дает новые возможности, но и может оказывать деструктивное воздействие на пользователей, в основном на молодежь.Цель исследования – выявление возможностей обеспечения информационно-психологической безопасности в интернет-пространстве.
Методология исследования основана на подходах к автоматической фильтрации контента социальных медиа.
Результаты исследования. Анализируются и сравниваются подходы к автоматизации обнаружения запрещенного контента в Интернете. Обосновывается выбор метода для проведения вычислительного эксперимента и сделаны выводы по результатам его проведения.
Заключение. В статье приведены результаты исследований по проблеме автоматизированной процедуры обнаружения и фильтрации в интернет-пространстве запрещенного законодательством РФ контента.
Литература
1. Доктрина информационной безопасности (утверждена указом Президента РФ № 464 от 05.12.2016).
2. Конституция Российской Федерации (принята всенародным голосованием 12.12.1993 с изменениями, одобренными в ходе общероссийского голосования 01.07.2020).
3. Российская Федерация. Законы: Федеральный закон от 27.07.2006 № 149-ФЗ: редакция от 30 декабря 2021 г.: с изменениями и дополнениями,вступившими в силу с 1 января 2022 г. // КонсультантПлюс: справочная правовая система. URL: http://www.consultant.ru/document/consdocLAW61798 (дата обращения: 20.06.2022).
4. Российская Федерация. Законы. Кодекс Российской Федерации об административных право-нарушениях: Федеральный закон от 30.12.2001 № 195-ФЗ: редакция от 11 июня 2022 г. // КонсультантПлюс: справочная правовая система.
URL: http://www.consultant.ru/document/consdoc/ (дата обращения: 20.06.2022).
5. Российская Федерация. Законы. Уголовный кодекс Российской Федерации: Федеральный закон от 13.06.1996 № 63-ФЗ: редакция от 25 марта 2022 года // КонсультантПлюс: справочная правовая система. URL: http://www.consultant.ru/document/cons_doc_LAW (дата обращения: 20.06.2022).
6. Российская Федерация. Законы. Федеральный закон от 30.12.2020 № 530-ФЗ // КонсультантПлюс: справочная правовая система.
URL: http://www.consultant.ru/document/consdocLAW372700/ (дата обращения: 20.06.2022).
7. Дробницкий О.Г. Понятие морали. М.: Наука, 1974. 386 с.
8. Ермаков А.Е. Компьютерная лингвистика и анализ текста // Мир ПК. 2002. № 9. URL: http://www.osp.ru/peworld/2002/09/163968 (дата обращения: 20.05.2022).
9. Ковалев Г.Ф. Русский мат – следствие уничтожения табу // Культурные табу и их влияние на результат коммуникации: сб. науч. тр. Воронеж: ВГУ, 2005, С. 184–197.
10. Котельников Е.В., Окулов С.М. Обзор подходов для автоматического распознавания эмоций в текс-тах // Научные итоги года. 2012. № 2. С. 96–101.
URL:https://cyberleninka.ru/article/n/obzor-podhodov-dlya-avtomaticheskogo (дата обращения: 20.05.2022).
11. Леонтьева Н.Н. Автоматическое понимание текстов: системы, модели, ресурсы. М.: Академия, 2006. 304 с.
12. Мокиенко В.М., Никитина Т.Г. Русское сквернословие. Краткий, но выразительный словарь. М.: Олма Медиа Групп, 2007. 384 с.
13. Наивный байесовский классификатор.
URL: https://ru.wikipedia.org/wiki/Наивныйбайесовскийклассификатор (дата обращения: 20.06.2022).
14. Пантелеев А.Ф. Анализ текста как средство обеспечения информационной безопасности личности // Информационная безопасность регионов: научно-практический журнал. 2014. № 1 (14). С. 32–38.
15. Селезнева Н.Т., Белая А.А., Грузинцев А.В. Психологические факторы использования личностью сетевых коммуникаций // Вестник КГПУ им. В.П. Астафьева. 2021. № 4 (58). С. 44–53.
URL: https://elibrary.ru/download/elibrary4741159157857491.pdf
16. Хириев А.Т. Теоретико-методологические основы информационной безопасности личности. 2007 (на правах рукописи). URL: https://www.daaudit.ru/news-pubs/pub-2-1.html
17. Худякова М.В., Давыдов С., Васильев В.Г. Классификация отзывов пользователей с использованием фрагментных правил. Компьютерная лингвистика и интеллектуальные технологии: по матер. ежегодной Междунар. конфр. «Диалог». Бекасово, 30 мая – 3 июня 2012 г. М.: Изд-во РГГУ, 2012. Вып. 11 (18): в 2 т. Т. 2: Доклады специальных секций.
18. Шагин А. Наивный байесовский классификатор. URL: https://medium.com/nuances-of-programming/ (дата обращения: 20.06.2022).
19. Lai S., Xu L., Liu K., Zhao J. Recurrent convolutional neural networks for text classification. In: Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence. January 25–31, 2015. Austin, Texas USA, 2015. Is. 29 (1). P. 2267–2273.
20. Maasberg M., Van Slyke C., Ellis S., Beebe N. The dark triad and insider threats in cyber security // Communications of the ACM. 2020. Vol. 63, No. 12. P. 64–80. URL: https://cacm.acm.org/magazines/2020/12 (access date: 20.05.2022).
21. Pang B., Lee L., Vaithyanathan S. Sentiment classification using machine learning techniques. In: Proceedings of the ACL-02 Conference on «Empirical methods in natural language processing». Association for Computational Linguistics, 2002. Vol. 10. P. 79–86.
22. Tan S., Cheng X., Wang Y., Xu H. Adapting naive Bayes to domain adaptation for sentiment analysis. In: Boughanem, M., Berrut, C., Mothe, J., Soule-Dupuy, C. (eds) Advances in Information Retrieval. ECIR 2009. Lecture Notes in Computer Science. Vol. 5478. P. 337–349. Springer, Berlin, Heidelberg. DOI: https://doi.org/10.1007/978-3-642-00958-7_31
23. Tang X. Yang C., Wong Y., Wei C. Understanding online consumer review opinions with sentiment analysis using machine learning // Pacific Asia Journal of the Association for Information Systems. 2010. No. 3 (2). P. 73–89.
24. Turney P.D. Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews. In: Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics, Philadelphia, Pennsylvania, 2002. P. 417–424.
2. Конституция Российской Федерации (принята всенародным голосованием 12.12.1993 с изменениями, одобренными в ходе общероссийского голосования 01.07.2020).
3. Российская Федерация. Законы: Федеральный закон от 27.07.2006 № 149-ФЗ: редакция от 30 декабря 2021 г.: с изменениями и дополнениями,вступившими в силу с 1 января 2022 г. // КонсультантПлюс: справочная правовая система. URL: http://www.consultant.ru/document/consdocLAW61798 (дата обращения: 20.06.2022).
4. Российская Федерация. Законы. Кодекс Российской Федерации об административных право-нарушениях: Федеральный закон от 30.12.2001 № 195-ФЗ: редакция от 11 июня 2022 г. // КонсультантПлюс: справочная правовая система.
URL: http://www.consultant.ru/document/consdoc/ (дата обращения: 20.06.2022).
5. Российская Федерация. Законы. Уголовный кодекс Российской Федерации: Федеральный закон от 13.06.1996 № 63-ФЗ: редакция от 25 марта 2022 года // КонсультантПлюс: справочная правовая система. URL: http://www.consultant.ru/document/cons_doc_LAW (дата обращения: 20.06.2022).
6. Российская Федерация. Законы. Федеральный закон от 30.12.2020 № 530-ФЗ // КонсультантПлюс: справочная правовая система.
URL: http://www.consultant.ru/document/consdocLAW372700/ (дата обращения: 20.06.2022).
7. Дробницкий О.Г. Понятие морали. М.: Наука, 1974. 386 с.
8. Ермаков А.Е. Компьютерная лингвистика и анализ текста // Мир ПК. 2002. № 9. URL: http://www.osp.ru/peworld/2002/09/163968 (дата обращения: 20.05.2022).
9. Ковалев Г.Ф. Русский мат – следствие уничтожения табу // Культурные табу и их влияние на результат коммуникации: сб. науч. тр. Воронеж: ВГУ, 2005, С. 184–197.
10. Котельников Е.В., Окулов С.М. Обзор подходов для автоматического распознавания эмоций в текс-тах // Научные итоги года. 2012. № 2. С. 96–101.
URL:https://cyberleninka.ru/article/n/obzor-podhodov-dlya-avtomaticheskogo (дата обращения: 20.05.2022).
11. Леонтьева Н.Н. Автоматическое понимание текстов: системы, модели, ресурсы. М.: Академия, 2006. 304 с.
12. Мокиенко В.М., Никитина Т.Г. Русское сквернословие. Краткий, но выразительный словарь. М.: Олма Медиа Групп, 2007. 384 с.
13. Наивный байесовский классификатор.
URL: https://ru.wikipedia.org/wiki/Наивныйбайесовскийклассификатор (дата обращения: 20.06.2022).
14. Пантелеев А.Ф. Анализ текста как средство обеспечения информационной безопасности личности // Информационная безопасность регионов: научно-практический журнал. 2014. № 1 (14). С. 32–38.
15. Селезнева Н.Т., Белая А.А., Грузинцев А.В. Психологические факторы использования личностью сетевых коммуникаций // Вестник КГПУ им. В.П. Астафьева. 2021. № 4 (58). С. 44–53.
URL: https://elibrary.ru/download/elibrary4741159157857491.pdf
16. Хириев А.Т. Теоретико-методологические основы информационной безопасности личности. 2007 (на правах рукописи). URL: https://www.daaudit.ru/news-pubs/pub-2-1.html
17. Худякова М.В., Давыдов С., Васильев В.Г. Классификация отзывов пользователей с использованием фрагментных правил. Компьютерная лингвистика и интеллектуальные технологии: по матер. ежегодной Междунар. конфр. «Диалог». Бекасово, 30 мая – 3 июня 2012 г. М.: Изд-во РГГУ, 2012. Вып. 11 (18): в 2 т. Т. 2: Доклады специальных секций.
18. Шагин А. Наивный байесовский классификатор. URL: https://medium.com/nuances-of-programming/ (дата обращения: 20.06.2022).
19. Lai S., Xu L., Liu K., Zhao J. Recurrent convolutional neural networks for text classification. In: Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence. January 25–31, 2015. Austin, Texas USA, 2015. Is. 29 (1). P. 2267–2273.
20. Maasberg M., Van Slyke C., Ellis S., Beebe N. The dark triad and insider threats in cyber security // Communications of the ACM. 2020. Vol. 63, No. 12. P. 64–80. URL: https://cacm.acm.org/magazines/2020/12 (access date: 20.05.2022).
21. Pang B., Lee L., Vaithyanathan S. Sentiment classification using machine learning techniques. In: Proceedings of the ACL-02 Conference on «Empirical methods in natural language processing». Association for Computational Linguistics, 2002. Vol. 10. P. 79–86.
22. Tan S., Cheng X., Wang Y., Xu H. Adapting naive Bayes to domain adaptation for sentiment analysis. In: Boughanem, M., Berrut, C., Mothe, J., Soule-Dupuy, C. (eds) Advances in Information Retrieval. ECIR 2009. Lecture Notes in Computer Science. Vol. 5478. P. 337–349. Springer, Berlin, Heidelberg. DOI: https://doi.org/10.1007/978-3-642-00958-7_31
23. Tang X. Yang C., Wong Y., Wei C. Understanding online consumer review opinions with sentiment analysis using machine learning // Pacific Asia Journal of the Association for Information Systems. 2010. No. 3 (2). P. 73–89.
24. Turney P.D. Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews. In: Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics, Philadelphia, Pennsylvania, 2002. P. 417–424.
Опубликован
2022-10-30
Как цитировать
A., B., M., K., B., T., & S., S. (2022). ПОДХОДЫ К ОБЕСПЕЧЕНИЮ ИНФОРМАЦИОННО-ПСИХОЛОГИЧЕСКОЙ БЕЗОПАСНОСТИ ЛИЧНОСТИ В СОЦИАЛЬНЫХ МЕДИА. Вестник Красноярского государственного педагогического университета им. В.П. Астафьева, 61(3), 88-95. https://doi.org/https://doi.org/10.25146/1995-0861-2022-61-3-354
Раздел
Психология
