ФОРМИРОВАНИЕ ПАРАМЕТРОВ ИСТОЧНИКОВ ИНФОРМАЦИИ НЕЙРОЛИНГВИСТИЧЕСКОЙ ТЕКСТОВОЙ ИДЕНТИФИКАЦИИ
Аннотация
Исследуется метод нейролингвистической текстовой идентификации, направленный на анализ и верификацию источников информации, включая тексты, сгенерированные системами искусственного интеллекта. Анализируются состояния информации текста китайского произведения автора Ло Гуань-чжун «Троецарствие» в трех вариантах: оригинальный текст, а также состояние текста, полученного с помощью генерации системами искусственного интеллекта Gemini и GPT. Целью исследования является формирование и обоснование параметров для применения в качестве факторов идентификации сгенерированного текста, а также формирование 3D-образов нейролингвистической текстовой идентификации источников информации. Используется специализированный программный комплекс «Анализатор нейролингвистической текстовой идентификации», осуществивший обработку текстовых данных на основе горизонтальной и вертикальной развертки нейролингвистических информационных кадров. В результате сформированы информационные спектры, количественные характеристики (информационная емкость, энтропия, избыточность) и нейролингвистические информационные 3D-образы нейролингвистических кадров текстовой информации китайского произведения. Сравнение уровней идентичности информационных нейролингвистических 3D-образов источника текстовой информации нейролингвистических информационных кадров показывают, что максимальный уровень идентичности наблюдается при сравнении текстов нейролингвистических информационных кадров оригинального текста, а минимальный уровень идентичности наблюдается при сравнении оригинального текста с текстом, сгенерированным с помощью систем искусственного интеллекта. Полученные результаты показывают значимые различия между параметрами нейролингвистических информационных кадров оригинального текста и параметрами текста, сгенерированного системами искусственного интеллекта как по количественным характеристикам текста, так и по характеристикам нейролингвистических информационных 3D-образов. Установлено, что нейролингвистические информационные 3D-образы текстов, созданных системами искусственного интеллекта, обладают более гладкой структурой визуального представления и отличным цветовым распределением по сравнению с нейролингвистическими 3D-образами оригинального текста. Практическая значимость исследования заключается в применении подхода, позволяющего определять сгенерированный текст и верифицировать источники информации. Полученные результаты открывают перспективы для работы и дает возможность реализовывать проекты и создавать программные комплексы способные обнаруживать сгенерированный текст.
Список литературы
1. Kotenko V.V. Tekhnologii informatsionnogo analiza pol'zovatel'skogo urovnya telekommunikatsionnykh sistem: ucheb. Posobie [Technologies of information analysis of the user level of telecommunication sys-tems: a textbook]. Rostov-on-Don – Taganrog: Izd-vo YuFU, 2019, 194 p.
2. Federal'nyy zakon №572 ot 29 dekabrya 2022 g. «Ob osushchestvlenii identifikatsii i (ili) autentifikatsii fizicheskikh lits s ispol'zovaniem biometricheskikh personal'nykh dannykh» [Federal Law No. 572 of December 29, 2022 "On the Identification and (or) Authentication of Individuals using Biometric per-sonal Data"].
3. Mitchell E., Lee Y., Khazatsky A., Manning C.D., and Finn C. Detectgpt: Zero-shot machine-generated text detection using probability curvature, In International Conference on Machine Learning, 2023, pp. 24950-24962. PMLR.
4. Kotenko V.V. Teoriya virtualizatsii i zashchita telekommunikatsiy: monografiya [Theory of virtualization and protection of telecommunications: a monograph]. Taganrog: Izd-vo TTI YuFU, 2011, 236 p.
5. Bao G., Zhao Y., Teng, Z., Yang L., and Zhang Y. Fast-DetectGPT: Efficient Zero-Shot Detection of MachineGenerated Text via Conditional Probability Curvature, In the Twelfth International Conference on Learning Representations, 2024.
6. Kornienko V.T., Giniyatullin L.P. Ispol'zovanie akusticheskoy golografii v sistemakh videonablyudeniya opticheski neprozrachnykh kontroliruemykh ob"emov [The use of acoustic holography in video surveil-lance systems of optically opaque controlled volumes], Informatsionnoe protivodeystvie ugrozam ter-rorizma [Information Counteraction to Terrorist Threats], 2010, No. 15, pp. 123-126.
7. Pron' E.V. Biometricheskaya sistema kontrolya dostupa na zakrytye ob"ekty putem raspoznavaniya lits lyudey v tolpe po signalam s kamer videonablyudeniya [Biometric access control system for closed facil-ities by recognizing people's faces in a crowd based on signals from surveillance cameras], Aktual'nye problemy aviatsii i kosmonavtiki [Actual Problems of Aviation and Cosmonautics], 2017, Vol. 2, pp. 218-220.
8. Glazkova A.V. Sravnenie neyrosetevykh modeley dlya klassifikatsii tekstovykh fragmentov, soderzhash-chikh biograficheskuyu informatsiyu [Comparison of neural network models for classifying text frag-ments containing biographical information], Programmnye produkty i sistemy [Software products and systems], 2019, Vol. 32, No. 2, pp. 65-69.
9. Tel'pov R.E., Lartsina S.V. Tipovye razlichiya estestvennykh i sgenerirovannykh neyronnoy set'yu tekstov v kvantitativnom aspekte [Typical differences between natural and neural network-generated texts in the quantitative aspect], Nauchnyy dialog [Scientific Dialogue], 2023, Vol. 12, No. 7, pp. 47-65.
10. Aydagulova A.R. Osobennosti tekstov, sgenerirovannykh iskusstvennym intellektom [Features of texts generated by artificial intelligence], Vestnik Bashkirskogo gosudarstvennogo pedagogicheskogo univer-siteta im. M. Akmully [Bulletin of the Bashkir State Pedagogical University named after M. Akmulla], 2023, No. 4 (72). Available at: https://cyberleninka.ru/article/n/osobennosti-tekstov-sgenerirovannyh-iskusstvennym-intellektom (accessed 13 September 2025).
11. Ukaz Prezidenta RF ot 10 oktyabrya 2019 g. № 490. «Natsional'naya strategiya razvitiya iskusstvennogo intellekta do 2030 goda v Rossiyskoy Federatsii» [Decree of the President of the Russian Federation No. 490 dated October 10, 2019. "National Strategy for the Development of Artificial Intelligence until 2030 in the Russian Federation"].
12. Kotenko V.V., Rumyantsev K.E., Khadzhieva L.K. Otsenka vozmozhnostey neyrolingvisticheskoy identi-fikatsii sistem iskusstvennogo intellekta [Assessment of the possibilities of neuro-linguistic identification of artificial intelligence systems], Vestnik UrFO. Bezopasnost' v informatsionnoy sfere [Bulletin of the Ural Federal District. Information Security], 2024, No. 2 (52), pp. 13-24.
13. Kurtukova A.V., Romanov A.S., Fedotova A.M., Shelupanov A.A. Arkhitektura intellektual'noy sistemy dlya identifikatsii avtora iskhodnogo koda [Architecture of an intelligent system for identifying the au-thor of the source code], Doklady Tomskogo gosudarstvennogo universiteta sistem upravleniya i radi-oelektroniki [Reports of Tomsk State University of Control Systems and Radio Electronics], 2022, Vol. 25, No. 3, pp. 39-44. DOI: 10.21293|1818-0442-2022-25-3-39-44.
14. Kotenko V.V., Rumyantsev K.E., Khadzhieva L.K. Parametry neyrolingvisticheskoy identifikatsii sistem iskusstvennogo intellekta [Parameters of neuro-linguistic identification of artificial intelligence sys-tems],Vestnik UrFO. Bezopasnost' v informatsionnoy sfere [Bulletin of the Ural Federal District. Infor-mation Security], 2024, No. 3 (53), pp. 32-43.
15. Siyuan Li, Xi Lin, Guangyan Li, Zehao Liu, Aodu Wulianghai, Li Ding, Jun Wu, Jianhua Li. Model-Agnostic Sentiment Distribution Stability Analysis for Robust LLM-Generated Texts Detection License: arXiv.org perpetual non-exclusive license arXiv:2508.06913v1 [cs.CL] 09 Aug 2025.
16. Rumyantsev K.E., Khadzhieva L.K. Analiz primeneniya neyrolingvisticheskoy identifikatsii sistem is-kusstvennogo intellekta [Analysis of the application of neuro-linguistic identification of artificial intelli-gence systems], Sovremennye metody, sredstva i tekhnologii zashchity informatsii – 2024: Sb. trudov XV Mezhdunarodnoy nauchno-prakticheskoy konferentsii imeni Olega Borisovicha Makarevicha [Mod-ern methods, means and technologies of information protection – 2024: Proceedings of the XV Interna-tional Scientific and Practical Conference named after Oleg Borisovich Makarevich]. Taganrog, 2024, pp. 188-192.
17. Chakraborty S., Bedi A., Zhu S., An B., Manocha D., and Huang F. Position: On the possibilities of AIgenerated text detection, In Forty-first International Conference on Machine Learning, 2024.
18. Bryukhomitskiy Yu.A. Model' sistemy biometricheskoy verifikatsii pol'zovateley informatsionnykh sistem [Model of the biometric verification system for information systems users], Izvestiya YuFU. Tekhniches-kie nauki [Izvestiya SFedU. Engineering Sciences], 2024, No. 2 (238), pp. 17-25.
19. Bryukhomitskiy Yu.A. Immunologicheskaya model' tekstonezavisimoy golosovoy identifikatsii lichnosti [Immunological model of text-independent voice identification], Izvestiya YUFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2022, No. 2 (226). – S. 6-13.
20. Khadzhieva L.K., Kotenko V.V., Rumyantsev K.E. Neyrolingvisticheskaya informatsionnaya identif-ikatsiya intellektual'nykh sistem [Neuro-linguistic information identification of intelligent systems], Izvestiya YUFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2024, No. 3 (239), pp. 33-44.
21. Chernigovskaya T.V. Estestvennyy i iskusstvennyy intellekt: smysly ili struktury [Natural and artificial intelligence: meanings or structures], Chelovek i sistemy iskusstvennogo intellekta [Man and artificial in-telligence systems]. St. Petersburg: Izd-vo «Yuridicheskiy tsentr», 2022, pp. 160-171.
22. Lektorskiy V.A., Vasil'ev S.N., Makarov V.L. [i dr.]. Chelovek i sistemy iskusstvennogo in-tellekta [Man and artificial intelligence systems]. St. Petersburg: Izd-vo «Yuridicheskiy tsentr», 2022. – 328 s. ISBN 978-5-94201-835-1. EDN XSBHKY.
23. Litvinova T. Authorship attribution of russian social media texts: does the volume of data favor idiolect identification?, Lecture Notes in Networks and Systems, 2022, Vol. 315, pp. 352-362.
24. Juan Liu, Min Hu, Ying Wang, Zhong Huang, Julang Jiang. Symmetric Multi-Scale Residual Network Ensemble with Weighted Evidence Fusion Strategy for Facial Expression Recognition, Symmetry, 2023, 15 (6), pp. 1228.
25. Gehrmann S., Strobelt H., & Rush A.M. GLTR: Statistical detection and visualization of generated text, In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics: System Demonstrations, 2019, July, pp. 111-116.
26. Hans A., Schwarzschild A., Cherepanova V., Kazemi H., Saha A., Goldblum M., Geiping J., and Gold-stein T. Spotting LLMs With Binoculars: Zero-Shot Detection of Machine-Generated Text, In Interna-tional Conference on Machine Learning, 2024, pp. 17519-17537. PMLR.
27. Zhang S., Song Y., Yang J., Li Y., Han B., and Tan M. Detecting Machine-Generated Texts by Mul-tiPopulation Aware Optimization for Maximum Mean Discrepancy, In The Twelfth International Con-ference on Learning Representations, 2024.
