Подходы к автоматизированному выявлению кибербуллинга: обзор

В последние годы исследования по выявлению кибербуллинга активизировались, отчасти вследствие распространения кибербуллинга в социальных сетях и его пагубного воздействия на молодежь. Появляется все больше работ, посвященных автоматизированным подходам к выявлению кибербуллинга. В этих подходах используются методы машинного обучения и обработки естественного языка для определения характеристик взаимодействия, связанного с кибербуллингом, и его автоматического выявления путем сопоставления текстовых данных с установленными признаками. В статье представлен систематический обзор опубликованных исследований подходов к выявлению кибербуллинга, выявленных с помощью библиографических баз данных Scopus, ACM и IEEE Xplore. На основе обширного обзора литературы существующие подходы классифицированы на четыре основные группы: подходы на основе обучения с учителем, лексиконные, основанные на правилах и смешанные. Подходы на основе обучения с учителем обычно используют такие классификаторы, как метод опорных векторов (SVM) и наивный байесовский классификатор, для разработки прогностических моделей выявления кибербуллинга. В лексиконных системах применяются списки слов, а для выявления кибербуллинга используется наличие слов из этих списков. Подходы на основе правил сопоставляют текст с заранее заданными правилами для выявления травли, тогда как смешанные подходы объединяют рассуждения человека с одним или несколькими из上述 подходов. Мы установили, что отсутствие размеченных наборов данных и нецелостный учет исследователями феномена кибербуллинга при разработке систем выявления представляют собой две ключевые проблемы, с которыми сталкиваются исследования в этой области. Статья систематизирует современное состояние исследований по выявлению кибербуллинга и служит ресурсом, позволяющим исследователям определить наиболее перспективные направления будущей работы в данной области.