НЕЙРОМЕРЕЖЕВИЙ ПОШУК І КЛАСИФІКАЦІЯ КІБЕРЗАЛЯКУВАНЬ У ТЕКСТОВИХ ПОВІДОМЛЕННЯХ

Анотація

У статті висвітлено проблему пошуку і класифікації кіберзалякувань у текстових повідомленнях, що є одним із ключових викликів сучасного інформаційного суспільства. Актуальність дослідження зумовлена необхідністю створення ефективних систем, здатних забезпечувати точне, етичне та прозоре нейромережеве виявлення кіберзалякувань. Особливе значення приділяється адаптації таких систем до чутливих тем, як дискримінація за віковими, етнічними, гендерними та релігійними ознаками. Мета роботи полягає у створенні комплексного методу до нейромережевих пошуку і класифікації кіберзалякувань у текстових повідомленнях, який передбачає забезпечення репрезентативності даних у датасеті, що використовується для навчання моделі, дотримання етичного принципу справедливості в розробці моделі та можливість інтерпретації результатів моделі щодо типів виявлених кіберзалякувань. Новизна запропонованого підходу полягає у створенні нового методу, який дозволяє не тільки оцінювати наявність кібербулінгу в текстових повідомленнях, але й визначати з високою точністю прояв кожного з видів кібербулінгу, забезпечуючи формування репрезентативно збалансованих датасетів для навчання нейромережевих моделей, що виконується у три етапи. На першому етапі проводиться оцінка репрезентативності датасету для навчання нейромережевих моделей для задачі виявлення та класифікації кіберзалякувань. Зокрема, метод дозволяє мінімізувати відхилення у розподілі даних за класами, що досягає максимуму лише 0,04%. На другому етапі використовуються моделі нейромережевої класифікації: BiLSTM для бінарної класифікації кіберзалякувань, яка демонструє точність 96%, та BERT для мультилейблової класифікації за різними типами кіберзалякувань з точністю 94%. Третій етап передбачає застосування моделі LIME, яка забезпечує візуальну інтерпретацію рішень нейромережі, дозволяючи користувачам отримати пояснення кожного виявленого типу кіберзалякувань. Методологія дослідження базується на поєднанні сучасних підходів до машинного навчання, якісного аналізу репрезентативності даних та використання інтерпретаційних моделей. Інтеграція цих підходів спрямована на створення прозорих і довірених систем виявлення кіберзалякувань, що можуть бути застосовані у реальних умовах. Результати демонструють ефективність запропонованого методу, який не лише підвищує точність і прозорість процесу виявлення та класифікації кіберзалякувань, але й відповідає Цілям Сталого Розвитку № 5, № 10 та № 16, що дозволяє запропонованому комплексному методу бути релевантним для використання в системах, де етичність і точність є важливими.