Natalia Valenda

The object of research is the process of automated misinformation detection, with particular emphasis the use of large language models (LLMs) as scalable annotators to solve a problem of labeled data scarcity (typical for low-resource languages). Manual fact-checking and annotation are costly, slow, and difficult to scale, which limits the applicability of machine learning approaches. The research addresses the problem of enhancing the misinformation detection quality on small datasets by adding the LLM-generated synthetic labels to the training process and evaluates the achieved performance improvements. The results demonstrate that incorporating LLM-generated annotations into limited training data consistently improves classification performance. The observed gains range from approximately 2 to 3 percentage points in the F1-macro score depending on the configuration. The relative improvement is higher in scenarios with smaller manual data used. These findings can be explained by the increased volume and diversity of training data provided by synthetic annotations. LLMs provide good fact-checking across more data samples, enriching the dataset and helping the classifier generalize better. However, factors such as LLM version and size, inclusion of additional context, or the use of external knowledge retrieval influence annotation accuracy. In practical applications, the results suggest that LLM-based annotation can serve as an efficient and scalable method for bootstrapping small datasets. This approach is especially valuable for underrepresented languages, where annotated datasets and benchmarks are scarce, as it can increase misinformation detection accuracy without expensive manual annotation.

Стаття присвячена комплексному огляду моделей нейронних мереж у задачах прогнозування та класифікації. Знаходження сильних та слабких сторін різних способів прогнозування із застосуванням нейронних мереж. Дослідження можливостей поліпшення використання нейронних мереж у задачах прогнозування та класифікації.Мета роботи. Метою цієї роботи є дослідження методів прогнозування та класифікації даних на основі нейронних мереж. Що означає огляд вже наявних підходів та знаходження нових способів для вдосконалення вирішення вищевказаних задач. Знаходження способів поліпшення існуючих моделей. Завданням даного дослідження є порівняння існуючих методів використання нейронних мереж у задачах прогнозування і в здобутку нових підходів для покращення існуючих методів.Методологія. Базується на аналізі наукових публікацій моделей нейронних мереж, а також методів прогнозування та класифікації. Для цього використано надання характеристики та методи порівняльного аналізу сильних та слабких сторін нейронних мереж. А також надання рекомендацій щодо поліпшення методів прогнозування, де це можливо.Наукова новизна. Вирішення поставлених задач та наукова новизна даного дослідження полягає у виявленні способів поліпшення методів та у критеріальному порівнянні існуючих методів використання нейронних мереж, у задачах класифікації та прогнозування даних, вдосконалення нових підходів на основі вже існуючих, для покращення процесів обробки вищезазначених задач.Висновки. Аналіз моделей нейронних мереж у задачах прогнозування виявив їх сильні та слабкі сторони.Критеріальний аналіз встановив переваги методів прогнозування із використанням нейронних мереж.Запропоновано рекомендації щодо вдосконалення методів прогнозування.

The article is devoted to the study of the finite predicate algebra toolkit for constructing a network model aimed at formalizing the process of selecting educational excursions for students of general secondary education institutions, in particular for the “Push” School in Kharkiv. The objective of this work is to develop a corresponding mathematical model in the form of a logical AFP-network. The organization of excursions constitutes an important component of the educational process, as it enables the integration of learning, recreation, social interaction, and career guidance for students. In the context of modern challenges—such as ensuring safety, aligning with educational objectives, and optimizing costs—there is a clear need for the development of effective methods for planning and selecting excursions, which determines the practical relevance of the research problem. The application of predicate algebra in this domain has made it possible to formalize the excursion selection process while accounting for a wide range of parameters, including cost, duration, safety level, student categories, interests, educational objectives, accommodation conditions, and others. The methodology for constructing logical networks provides a systematic analysis of the subject area and enables the creation of a mathematical model in the form of a complex polyadic relation through the composition of corresponding binary relations derived from the subject area analysis, thereby optimizing the processing of input knowledge. The mathematical model of the excursion selection process is represented as a polyadic predicate dependent on a set of variables, each associated with a specific domain of definition. Knowledge processing is carried out in the network nodes through conjunction and disjunction operations, with knowledge represented as predicates corresponding to subsets of the respective domains. Each binary predicate is described in the form of bipartite graphs and the corresponding formulas. The conjunction of all constructed binary predicates forms a logical network that enables iterative processing of information until a stable result is achieved. The scientific novelty lies in the developed model, which facilitates the automation of the excursion selection process while accounting for the individual characteristics of students and the resources of the school. The results of this study represent an effective tool for optimizing educational programs.