针对网络欺凌分类的细化表征:侵略性、重复性、有意性、可见性和不平衡性
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
本文调查了最近关于 Cyberbullying 检测方面的文献研究结果。通过使用与文献作者相同的数据集,我们成功再现了他们的结果,并在 YouTube 数据集上进行了扩展研究,研究表明基于深度学习的模型优于先前应用于同一 YouTube 数据集的机器学习模型。我们认为,基于深度学习的模型也可以受益于整合其他信息来源,并研究社交网络中用户相关数据的影响。
Dec, 2018
社交媒体平台、网络欺凌、自动化系统、集成机器学习和挑衅性推文是本研究的关键词。研究通过采用四种特征提取技术,并结合五种机器学习算法,最终实现了 94.00% 的高准确率,优于传统机器学习模型,并超越了之前在相同数据集上的实验结果。
Feb, 2024
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
本研究采用深度学习模型和迁移学习方法,对包括 Formspring、Twitter 和 Wikipedia 等多个社交媒体平台的数十万条帖子进行了系统分析,并成功地解决了仅针对单一平台、仅针对特定主题和基于手工特征等问题,为针对多个主题的网络欺凌检测提供了有用的见解。
Jan, 2018
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
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