Suudi Arabistan Kral Saud Üniversitesi‘nden araştırmacılar; OCDD adı verilen derin öğrenmeyi kullanarak, Twitter’da siber zorbalığın tespit edilmesinde yeni bir yaklaşım geliştirdiler. Tweet’lerden özellikler çıkaran ve bunları bir sınıflandırıcıyla besleyen diğer derin öğrenme yaklaşımlarının aksine, yöntemleri; bir Sözcük Vektörler Kümesi olarak bir tweet’i temsil eder.
Son yıllarda sosyal medyada siber zorbalık büyük ve yaygın olarak tartışılan bir konu haline geldi. Siber zorbalık; korkutucu, tehdit edici veya küfürlü mesajlar göndererek, çevrimiçi iletişim kanallarının diğer kullanıcılara zorba olmalarını gerektirir. Bununla birlikte mağdurlar açısından; psikolojik ve bazen de yaşamı tehdit edici sonuçları olabilir.
Araştırmacılar; siber zorbalığın tespit edilmesi, yönetilmesi ve sosyal medyadaki yaygınlığının azaltılması için yeni yollar geliştirmeye çalışıyor. Metin ve kullanıcı özelliklerini analiz ederek, siber zorbalık çalışmalarını tanımlamak için birçok derin öğrenme yaklaşımı kullanılıyor. Bununla birlikte, bu teknikler; performanslarını önemli ölçüde azaltabilen çeşitli sınırlamalar getiriyor.
Örneğin, bu yaklaşımların bazıları; yeni özellikler tanıtarak, algılamayı iyileştirmeye çalışır. Ancak özelliklerin sayısının arttırılması; özellik çıkarımı ve seçim aşamalarını zorlaştırabilir. Ayrıca, bu yaklaşımlar; yaş ve doğum tarihi gibi bazı kullanıcı verilerinin kolayca üretilebileceğini dikkate almaz.
Kral Saud Üniversitesi’nden araştırmacılar; Monirah A. Al-Ajlan ve Mourad Ykhlef; mevcut siber zorbalık tespit yöntemlerinin sınırlarını ele almak için, optimize edilmiş Twitter Siber Zorbalık Tespiti (OCDD) adı verilen yeni bir yaklaşım önerdi.
Araştırmacılara göre; bu alandaki önceki çalışmalardan farklı olarak, OCDD; tweet’lerden özellikler çıkarmıyor ve bunları bir sınıflandırıcıyla beslemiyor. Aksine, bir kelime kümesi olarak bir tweet’i temsil ediyor. Bu şekilde, kelimelerin anlamları korunuyor ve özellik çıkarma ve seçim aşamaları elimine edilebiliyor.
Al-Ajlan ve Ykhlef; etiketli eğitim verisine yaklaşımlarını geliştirdiler ve kelimeler için vektör gösterimleri elde edebilen denetimsiz bir öğrenme algoritması olan GloVe kullanarak; sözcükler için kelime gömmeleri oluşturdular. Bu kelime gömülmeleri daha sonra; siber zorbalıkla ilişkilendirilebileceklerini saptamak için Convolutional Neural Network (CNN-Konvolüsyonel Nöral Ağ-Evrişimli Sinir Ağı) beslenir.
CNN algoritmaları tipik olarak bir girdi ve çıktı katmanından ve diğer birkaç katmandan oluşur. Bu katmanların her biri için parametreleri elle ayarlamak zaman alıcı ve zorlu bir görev olabilir. Böylece araştırmacılar modellerine; metaheuristik (sezgi ötesi) bir optimizasyon algoritması dahil etmeye karar verdiler. Bu; sınıflandırma için kullanılacak optimal değerleri tanımlayarak, bu süreci kolaylaştırabilir.
OCDD; özellik çıkarma / seçme gibi zor görevleri ortadan kaldırarak ve onu tweet’leri geleneksel sınıflandırma algoritmalarına göre daha akıllı bir şekilde sınıflandıran sözcük anlamını ve CNN’i yakalayan sözcük vektörleri ile değiştirerek, mevcut siber zorbalık tespit durumunu geliştiriyor.
Metin madenciliği görevleri test edildiğinde, OCDD; çok umut verici sonuçlar elde etti. Bununla birlikte, siber zorbalık tespit bağlamlarında henüz uygulanmamış ve değerlendirilmemiştir. Araştırmacılar şimdi ise; bu yaklaşımlarını uyarlamayı planlıyor. Böylece metni Arapça olarak da analiz edebiliyorlar.
