ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ НЕНАВИСТИ В СОЦИАЛЬНЫХ СЕТЯХ

Аннотация

Данное исследование представляет всесторонний анализ различных методов машинного и глубокого обучения, направленный на решение важной проблемы – выявления кибербуллинга на платформах социальных сетей. В работе проводится тщательная оценка этих методов с использованием признанных отраслевых метрик, таких как F-мера, AUS-ROC, точность (precision), полнота (recall) и общая точность (accuracy), с целью определения их эффективности.       Результаты исследования демонстрируют высокую эффективность моделей глубокого обучения, в частности архитектуры двунаправленной долгократкосрочной памяти (BilSTM), которая стабильно превосходит альтернативные методы при решении различных задач классификации. Использование матриц ошибок (confusion matrices) и графических представлений позволяет глубже понять производительность модели, подчеркивая ее выдающуюся способность точно выявлять и классифицировать случаи кибербуллинга. Полученные данные подтверждают важность современных архитектур нейронных сетей для распознавания сложного, враждебного и нежелательного контента в интернете. Исследование дает ценные практические рекомендации по раннему обнаружению и предотвращению кибербуллинга, что способствует повышению безопасности и инклюзивности онлайн-сообществ. Перспективные направления будущих исследований включают разработку систем обнаружения в реальном времени, гибридных методик, а также интеграцию вспомогательных элементов для совершенствования инновационных технологий в борьбе с данной социальной проблемой.