Подходы к обеспечению информационно-психологической безопасности личности в социальных медиа

Подходы к обеспечению информационно-психологической безопасности личности в социальных медиа

Автор: Богульская Нина Александровна, Кучеров Михаил Михайлович, Туговиков Виктор Борисович, Сабило Ангелина Сергеевна

Журнал: Вестник Красноярского государственного педагогического университета им. В.П. Астафьева @vestnik-kspu

Рубрика: Психологические науки. Психология личности

Статья в выпуске: 3 (61), 2022 года.

Бесплатный доступ

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.

Еще

Интернет, молодежь, информационно-психологическая безопасность, автоматическая фильтрация, алгоритмы классификации

Короткий адрес: https://sciup.org/144162389

IDR: 144162389   |   DOI: 10.25146/1995-0861-2022-61-3-354

Список литературы Подходы к обеспечению информационно-психологической безопасности личности в социальных медиа

  • Доктрина информационной безопасности (утверждена указом Президента РФ № 464 от 05.12.2016).
  • Конституция Российской Федерации (принята всенародным голосованием 12.12.1993 с изменениями, одобренными в ходе общероссийского голосования 01.07.2020).
  • 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).
  • Российская Федерация. Законы. Кодекс Российской Федерации об административных правонарушениях: 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).
  • 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).
  • 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).
  • Дробницкий О.Г. Понятие морали. М.: Наука, 1974. 386 с.
  • 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).
  • 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.
  • 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).
  • Леонтьева Н.Н. Автоматическое понимание текстов: системы, модели, ресурсы. М.: Академия, 2006. 304 с.
  • Мокиенко В.М., Никитина Т.Г. Русское сквернословие. Краткий, но выразительный словарь. М.: Олма Медиа Групп, 2007. 384 с.
  • Наивный байесовский классификатор. URL: https://ru.wikipedia.org/wiki/Наивныйбайесовскийклассификатор (дата обращения: 20.06.2022).
  • Пантелеев А.Ф. Анализ текста как средство обеспечения информационной безопасности личности // Информационная безопасность регионов: научно-практический журнал. 2014. № 1 (14). С. 32–38.
  • 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
  • Хириев А.Т. Теоретико-методологические основы информационной безопасности личности. 2007 (на правах рукописи). URL: https://www.daaudit.ru/news-pubs/pub-2-1.html
  • 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.
  • Шагин А. Наивный байесовский классификатор. URL: https://medium.com/nuances-of-programming/ (дата обращения: 20.06.2022).
  • 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.
  • 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).
  • 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.
  • 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
  • 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.
  • 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.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp