Classification of disinformation in hybrid warfare: an application of XLNet during the Russia’s war against Ukraine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The spread of disinformation has become a critical component of hybrid warfare, particularly in Russia’s war against Ukraine, where social media serves as a battlefield for influence and propaganda. This study develops a comprehensive methodology for classifying disinformation in the context of hybrid warfare, focusing on Russia’s war against Ukraine. The objective of this study is to address the challenges of disinformation detection, particularly the increased spread of propaganda due to hybrid warfare. The study focuses on the use of transformer-based language models, specifically, XLNet, to classify multilingual, context-sensitive disinformation. The tasks of this study are to analyze current research and develop a methodology to effectively classify disinformation using the XLNet model. The proposed methodology includes several key components: data preprocessing to ensure quality, application of XLNet for training on diverse datasets, and hyperparameter optimization to handle the complexities of disinformation data. The study used datasets containing pro-Russian and neutral/pro-Ukrainian tweets, and the XLNet model demonstrated strong performance metrics, including high precision, recall, and F1-scores across different dataset sizes. Results showed that accuracy initially improved with increasing data volume but declined slightly with numerous datasets, suggesting the need for balancing data quality and quantity. The proposed methodology addresses the gaps in automated disinformation detection by integrating transformer-based models with advanced preprocessing and training techniques. This research improves the capacity for real-time detection and analysis of disinformation, thus contributing to public information governance and strategic communication efforts during wartime.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle