本研究使用机器学习算法对 Twitter 上的滥用行为进行分类,包括网络欺凌和侵略行为,并通过分析用户、网络和文本属性的差异识别出欺负和侵略者。结果表明,该算法能够以超过 90%的准确率和 AUC 分类这些账户。同时,探讨了 Twitter 标记为滥用行为的用户账户的状况,并研究了 Twitter 可能采用的用户封禁机制的效果。
Jul, 2019
关于社交媒体滥用的研究:统计研究阿尔及利亚社区中的网络欺凌和滥用内容,以帮助自动滥用检测系统更好地识别这种非结构化和非正式的文本。
Mar, 2022
研究怎样利用众包方法对 Instagram 上的图片内容进行标注从而基于特征分析与构建分类器以自动监测和检测网络欺凌及侵害。
Mar, 2015
本文提出了一种基于社交互动以及欺凌指标种子词典的模型,通过参与者 - 词汇一致性构建目标函数,可以同时发现欺凌者和受害者以及新的欺凌词汇,并通过 Twitter 和 Ask.fm 数据集展示了该方法的有效性。
Jun, 2016
本文提出基于会话的网络欺凌检测框架,在数据挖掘和自然语言处理方面提供详细综述,并通过实验比较最新的检测模型及预先训练的大型语言模型,同时提出未来研究的开放性问题。
Jul, 2022
社交媒体平台的兴起导致了网络攻击行为的增加,其中包括网络欺凌、在线骚扰和冒犯性和仇恨言论的传播。这篇论文通过分析定义的多样性并提出统一的网络攻击定义,深入研究了攻击性内容检测和攻击性用户行为分析领域,揭示了将社会学见解与计算技术相结合以预防网络攻击行为的有效性。
Nov, 2023
该论文通过对推特用户的文本、用户和网络属性的提取和分析,提出了一种有效的、可扩展的方法来检测网络欺凌和攻击行为,并通过机器学习分类算法,在 1.6M 条推文上取得了 90% 以上的准确率。
Feb, 2017
本研究提供了一个广泛的半合成网络欺凌数据集的描述,包括网络欺凌的所有关键要素。该数据集的创建方法简洁地概述,并且还提供了详细的公开可访问数据集的概述。这篇伴随数据文章深入探讨了数据集,增加了透明度并支持复制研究。它还有助于更深入地理解数据,支持更广泛的研究使用。
Feb, 2024
本研究旨在探讨使用线性支持向量机通过模拟欺凌者、受害者和旁观者的帖子,实现自动检测社交媒体文本中的网络欺凌,并收集并德细注释英语和荷兰语的训练语料库。我们利用丰富的特征集进行一系列二元分类实验,研究哪些信息源对于这一特定任务最有贡献,同时对参数进行优化,分类器在英语和荷兰语分别获得了 64% 和 61% 的 F1 分数,显著优于基于关键字和词单元的基准系统。
Jan, 2018
研究了在线社区中的网络欺凌及其识别方法,并通过构建基于社交网络和语言特征的分类器来提高分类性能。
Apr, 2020