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

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

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

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

本文综述了当前基于自然语言处理（NLP）的滥用检测方法，包括数据集、计算方法、优缺点、挑战和解决方案，并提出伦理和可解释性指南。

Aug, 2019

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

通过考察自动检测和审查系统的最新发展以及训练数据集的成熟度，探讨了作者意图对于内容审查系统的重要性，并提出了改善自动检测和审查系统以符合道德和政策观念的策略性变革。

May, 2024

该研究在 NLP 领域探讨了如何构建一个统一的框架，用于解决识别恶意内容（包括仇恨言论，毒性评论，网络欺凌等）的问题，并强调了伦理问题的重要性。提出了一个基于 “设计伦理” 的新框架，通过两个步骤来区分个人信息相对的非个人信息、在每个类别中进行比较注释以确定滥用程度。

Oct, 2020

该论文提出了一种基于 “Gab” 数据集的在线滥用行为检测和评估方法，该方法可以确定滥用性内容的存在性，严重性和目标，并可达到 80％的存在性检测准确率，82％的目标检测准确率以及 65％的滥用严重性预测准确率

Sep, 2020