Offensive communications: exploring the challenges involved in policing social media
Notice bibliographique
Résumé
The digital revolution has transformed the potential reach and impact of criminal behaviour. Not only has it changed how people commit crimes but it has also created opportunities for new types of crimes to occur. Policymakers and criminal justice institutions have struggled to keep pace with technological innovation and its impact on criminality. Criminal law and justice, as well as investigative and prosecution procedures, are often outdated and ill-suited to this type of criminality as a result. While technological solutions are being developed to detect and prevent digitally-enabled crimes, generic solutions are often unable to address the needs of criminal justice professionals and policymakers. Focussing specifically on social media, this article offers an exploratory investigation of the strengths and weaknesses of the current approach used to police offensive communications online. Drawing on twenty in-depth interviews with key criminal justice professionals in the United Kingdom, the authors discuss the substantial international challenges facing those seeking to police offensive social media content. They argue for greater cooperation between policymakers, social science and technology researchers to develop workable, innovative solutions to these challenges, and greater use of evidence to inform policy and practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,017 | 0,018 |
| Communication savante | 0,025 | 0,023 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».