Гібридна модель фактчекінгу на основі NLP

Abstract

Метою кваліфікаційної роботи є розробка гібридної моделі фактчекінгу новинного контенту на основі технологій NLP для автоматизованого виявлення фейкових новин і перевірки достовірності інформації. Методи дослідження: методи обробки природної мови та векторного представлення тексту (FastText), методи глибокого навчання (Bi-LSTM) для первинної класифікації, і механізми динамічної маршрутизації на базі великих мовних моделей. Результатом роботи є програмне забезпечення для фактчекінгу, що включає Telegram-бот, модуль первинної класифікації (FastText + Bi-LSTM) та модуль фактологічної перевірки на основі Agentic RAG із використанням ChromaDB, Gemini та Google Search API. Реалізовано механізм динамічної маршрутизації запитів для оптимізації використання обчислювальних ресурсів. Розроблена система може використовуватися в інформаційно-аналітичних центрах, системах журналістського фактчекінгу, інформаційної безпеки та як інструмент перевірки достовірності новин для кінцевих користувачів.

The aim of the thesis is to develop a hybrid fact-checking system for news content based on Bi-LSTM and Agentic RAG technologies for the automated detection of fake news and verification of information credibility. Research methods: natural language processing and text vector representation methods (FastText), deep learning methods (Bi-LSTM) for primary classification, and dynamic routing mechanisms based on large language models. The result of the work is a software fact-checking system that includes a Telegram bot, a primary classification module (FastText + Bi-LSTM), and a factual verification module based on Agentic RAG using ChromaDB, Gemini, and Google Search API. A dynamic query routing mechanism was implemented to optimize computational resource usage. The developed system can be used in information and analytical centers, journalistic fact-checking platforms, information security systems, and as a tool for verifying the credibility of news content for end users.