Makhno, MykhailoMykhailoMakhnoBorysenko, OleksandrOleksandrBorysenko2026-02-262026-02-262025-12-25Makhno, M., Borysenko, O. (2025). Application of multi-criterion decision-making methods for bot classification in social networks. Journal of Numerical and Applied Mathematics(2), 42–48. https://doi.org/10.17721/2706-9699.2025.2.0310.17721/2706-9699.2025.2.03https://ir.library.knu.ua/handle/15071834/10887The aim of the article is to develop a methodology for classifying social network accounts into «bot», «non-bot», and «suspicious» categories using Multi-Criteria Decision-Making methods (MCDM). Research methodology. The study employs a hybrid MCDM approach, combining the Analytic Hierarchy Process (AHP) and entropy method to determine feature weights, and the TOPSIS method for final classification. The criteria integrate behavioral, structural, attributive, and content-based features. Results of the research. The proposed model was tested on a synthetic dataset of 100 accounts. It demonstrated high effectiveness, achieving 90% classification accuracy, with a precision of 0.85 and a recall of 0.89. The results confirm the model’s ability to reliably detect bots while minimizing false classifications of genuine users. Practical significance. The developed methodology provides a transparent, explainable, and adaptable tool for bot detection that can be integrated into social network monitoring systems, digital security tools, and information analytics platforms without the need for complete model retraining.Метою статтi є розробка методологiї класифiкацiї акаунтiв у соцiальних мережах на категорiї «бот», «не бот» та «пiдозрiлий» на основi методiв багатокритерiального аналiзу. Методика дослiдження. Дослiдження ґрунтується на використаннi комбiнованого пiдходу до багатокритерiального аналiзу: методу аналiтичної iєрархiї (AHP) та ентропiйного методу для визначення ваг ознак, i методу TOPSIS для фiнальної класифiкацiї. Критерiї включають поведiнковi, структурнi, атрибутивнi та контентнi ознаки. Результати дослiдження. Запропоновану модель було перевiрено на синтетичнiй вибiрцi з 100 акаунтiв. Модель продемонструвала високу ефективнiсть: точнiсть класифiкацiї сягнула 90%, при цьому значення precision та recall склали 0.85 та 0.89 вiдповiдно. Результати пiдтверджують здатнiсть моделi до надiйного виявлення ботiв при мiнiмiзацiї помилкових класифiкацiй справжнiх користувачiв. Практична значимiсть. Розроблена методологiя надає прозорий, пояснюваний та адаптивний iнструмент для виявлення ботiв, який може бути iнтегрований у системи монiторингу соцiальних мереж, iнструменти цифрової безпеки та платформи iнформацiйної аналiтики без необхiдностi повного перенавчання моделi.uksocial networksbotsmulti-criteria decision-makingTOPSISсоцiальнi мережiботибагатокритерiальний аналiзTOPSISСтаття