ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ТЕКСТА ДЛЯ ВЫЯВЛЕНИЯ УГРОЗ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ
🇷🇺 На русском
Для цитирования
Агеенко Т.Ю., Садиков М.Г. Применение интеллектуального анализа текста для выявления угроз чрезвычайных ситуаций // Информационно-экономические аспекты стандартизации и технического регулирования. 2026. № 5 (92). С. 90–94.
Аннотация
Развитие вычислительной техники, моделей нейронных сетей и расширение базы пользователей сервисов социальных сетей сделали возможными автоматизированный сбор, анализ и мониторинг возникновения угроз чрезвычайных ситуаций. В статье сделан обзор работ по применению интеллектуального анализа текстов для выявления чрезвычайных ситуаций и угроз возникновения чрезвычайных ситуаций, выявлены их преимущества и недостатки, показано, что выявление угроз чрезвычайных ситуаций на основе текстовых данных представляет собой многоступенчатый процесс, сочетающий лингвистические, статистические и машинные методы, на каждом этапе процесса анализа происходит сужение анализируемого массива данных от общего потока данных к верифицированным инцидентам, предложен подход к интеллектуальному анализу текстов для выявления угроз чрезвычайных ситуаций, состоящий в предварительной обработке, лингвистической обработке сообщений, классификации угроз. В качестве текстовых источников предлагается использовать сообщения в социальных сетях (местные сообщества) и форумах.
Ключевые слова
интеллектуальный анализ текста
социальные сети
чрезвычайная ситуация
угроза
мониторинг
машинное обучение
Об авторах
Агеенко Тимофей Юрьевич
Садиков Михаил Григорьевич
Список литературы
- 1. Полетаев В.С. Информационно-аналитическая система прогнозирования угроз и уязвимостей информационной безопасности на основе анализа данных тематических интернет-ресурсов: дис. … канд. техн. наук. – Ульяновск. УГАТУ. 2020. – 149 с.
- 2. Кучкарова Н.В. Оценка актуальных угроз и уязвимостей объектов критической информационной инфраструктуры с использованием технологий интеллектуального анализа текстов: диссертация кандидата технических наук: дис. … канд. техн. наук. – Уфа. УУНиТ. 2023. – 183 с.
- 3. Куликов С.В. Обнаружение и прогнозирование чрезвычайных ситуаций при помощи технологий искусственного интеллекта // Символ науки. 2025. № 3. С. 31–34.
- 4. Еникеева К.Р., Абдуллин А.Х., Христодуло О.И., Исаева (Юсупова) Ю.И. О роли сервисов социальных сетей для поддержки принятия решений в чрезвычайных ситуациях. // Проблемы анализа риска. 2016. Т.13, №1. С. 36–45.
- 5. Морозова Е.В., Мирошниченко И.В. Сетевые сообщества в условиях чрезвычайных ситуаций: типы поведения акторов // Человек. Сообщество. Управление. 2010. № 4. С. 16–24.
- 6. Вострых А.В., Максимов А.В., Матвеев А.В., Смирнов А.С. Методика анализа данных о чрезвычайных ситуациях в социальных сетях // Современные наукоемкие технологии. 2023. № 6. С. 81–88.
- 7. Девяткин Д.А., Шелманов А.О., Ларионов Д.С. Мониторинг чрезвычайных происшествий с помощью анализа данных из социальных сетей // Системы высокой доступности. 2018. Т. 14. № 3. С. 71–75.
- 8. DeepPavlov. Open-Source Library for Conversational AI [Электронный ресурс]. URL: https://deeppavlov.ai/ [дата обращения 15.04.2026].
- 9. Natasha. Библиотека для обработки естественного языка на русском языке [Электронный ресурс]. URL: https://natasha.github.io/ [дата обращения: 15.04.2026].
- 10. Hugging Face. Transformers: State-of-the-Art Machine Learning for PyTorch, TensorFlow, and JAX [Электронный ресурс]. URL: https://huggingface.co/docs/transformers [дата обращения: 15.04.2026].
- 11. Segalovich, I. A Fast Morphological Algorithm with Unknown Word Guessing Induced by a Dictionary for a Web Search Engine // Proceedings of the International Conference on Machine Learning; Models, Technologies and Applications (MLMTA). 2003. P. 273–280.
- 12. Devlin, J. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding / J. Devlin, M. W. Chang, K. Lee, K. Toutanova // Proceedings of NAACL-HLT. – 2019. P. 41714186.
- 13. Rish, Irina. (2001). «An empirical study of the naive Bayes classifier». IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence. 4 August 2001, 41–46.
- 14. Субботин С.В., Большаков Д.Ю. Применение байесовского классификатора для распознавания классов целей // Журнал радиоэлектроники, 2006, № 4: http://jre.cplire.ru/jre/oct06/2/text.html.
- 15. Вьюгин В.В. Математические основы машинного обучения и прогнозирования: учебное пособие / В.В. Вьюгин. – М.: МЦНМО, 2013. – 90 с.
- 16. Nefedov, A. Support Vector Machines: A Simple Tutorial / A. Nefedov. – 2016. – 35 p. – URL: https://svmtutorial.online.
- 17. Hosmer D.W., Lemeshow S., Sturdivant R.X., Applied Logistic Regression. 2013. Hoboken. New Jersey: Wiley89–12310.1002/9781118548387.
🇬🇧 In English
THE USE OF TEXT MINING TO IDENTIFY EMERGENCY THREATS
For citation
Ageenko T.Yu., Sidikov M.G. The use of text mining to identify threats of emergency situations // Information and Economic aspects of Standardization and technical regulation. 2026. No. 5(92), pp. 90–94. (In Russ.).
Abstract
The development of computing technology, neural network models, and the expansion of the user base of social media services have made it possible to automate the collection, analysis, and monitoring of emergency threats. The article provides an overview of the work on the use of text mining to identify emergencies and threats of emergencies, their advantages and disadvantages are identified, it is shown that the identification of emergency threats based on textual data is a multi-stage process combining linguistic, statistical and machine methods, at each stage of the analysis process there is a narrowing of the analyzed data array from the general data flow to verified incidents. An approach to the intelligent analysis of emergency threat detection texts is proposed, consisting of preprocessing, linguistic processing of messages, and threat classification. It is suggested to use messages on social networks (local communities) and forums as text sources.
Keywords
text mining
social networks
emergency
threat
monitoring
machine learning
About the authors
Ageenko T. Y.
Sadikov M. G.
References
- 1. Poletaev, V.S. Information-analytical system for forecasting threats and vulnerabilities of information security based on data analysis of thematic Internet resources: dis. ... cand. tech. sci. – Ulyanovsk: UGATU, 2020. – 149 p.
- 2. Kuchkarova, N.V. Assessment of current threats and vulnerabilities of critical information infrastructure objects using text mining technologies: dis. ... cand. tech. sci. – Ufa: UUNiT, 2023. – 183 p.
- 3. Kulikov, S. V. Detection and forecasting of emergency situations using artificial intelligence technologies // Symbol of Science. – 2025. – No. 3. – P. 31–34.
- 4. Enikeeva, K.R., Abdullin, A.Kh., Khristodulo, O.I., Isaeva (Yusupova), Yu. I. On the role of social network services for decision support in emergency situations // Problems of Risk Analysis. – 2016. – Vol. 13, No. 1. – P. 36–45.
- 5. Morozova, E.V., Miroshnichenko, I.V. Network communities in emergency situations: types of actor behavior // Human. Community. Management. – 2010. – No. 4. – P. 16–24.
- 6. Vostrykh, A.V., Maksimov, A.V., Matveev, A.V., Smirnov, A. S. Methodology for analyzing data on emergency situations in social networks // Modern High Technologies. – 2023. – No. 6. – P. 81–88.
- 7. Devyatkin, D.A., Shelmanov, A.O., Larionov, D.S. Monitoring emergency incidents using social network data analysis // High Availability Systems. – 2018. – Vol. 14, No. 3. – P. 71–75.
- 8. DeepPavlov. Open-Source Library for Conversational AI [Electronic resource]. – URL: https://deeppavlov.ai/ (accessed: 15.04.2026).
- 9. Natasha. Library for natural language processing in Russian [Electronic resource]. – URL: https://natasha.github.io/ (accessed: 15.04.2026).
- 10. Hugging Face. Transformers: State-of-the-Art Machine Learning for PyTorch, TensorFlow, and JAX [Electronic resource]. – URL: https://huggingface.co/docs/transformers (accessed: 15.04.2026).
- 11. Segalovich I. A Fast Morphological Algorithm with Unknown Word Guessing Induced by a Dictionary for a Web Search Engine // Proceedings of the International Conference on Machine Learning; Models, Technologies and Applications (MLMTA). – 2003. – P. 273–280.
- 12. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings of NAACL-HLT. – 2019. – P. 4171–4186.
- 13. Rish I. An empirical study of the naive Bayes classifier // IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence. – 2001. – P. 41–46.
- 14. Subbotin S. V., Bolshakov D. Yu. Application of a Bayesian classifier for target class recognition // Journal of Radio Electronics. – 2006. – No. 4. – URL: http://jre.cplire.ru/jre/oct06/2/text.html.
- 15. Vyugin V. V. Mathematical foundations of machine learning and forecasting: textbook. – Moscow: MCCME, 2013. – 90 p.
- 16. Nefedov A. Support Vector Machines: A Simple Tutorial [Electronic resource]. – 2016. – 35 p. – URL: https://svmtutorial.online.
- 17. Hosmer D.W., Lemeshow S., Sturdivant R.X. Applied Logistic Regression. – Hoboken, NJ: Wiley, 2013. – P. 89–123. – DOI: 10.1002/9781118548387.