A Novel Women Safety Analyis and Monitoring Sysetm over Social Media using Machine Learning
Notice bibliographique
Résumé
In the current scenario, women community facing issues like gender discrimination, schooling, child marriage, sexual assault and harassment, and much more, not just from society but also from social media. Women are protected by organizations like the She Team, Disha Act, and many others in society, but these organizations are much less in social media. Social networking sites like Twitter, Instagram, Facebook, etc. cause problems for women. This paper focuses on the safety analysis and monitoring of women using various social media platforms in Indian cities. The posts on Facebook and Instagram, as well as tweets on Twitter, that abuse women are considered and show the percentage of threats that women face from social media, which aids in understanding by the youth of India who misuse the women’s safety and harass them in social medias via tweets, posts, and text should face strict action. People may grasp the threats to women with the help of this, and it demonstrates that women face challenges not only from society but also from social media platforms. The outcome is easily comprehended in the form of a graph and a pie chart. Algorithms such as Nave Bayes (NB) and XGBoost are used in the analysis of women’s safety on various social media sites. The goal is to use classification techniques to categorize or forecast the Type based on dataset properties. Using categorization algorithms, we can determine whether social media content is positive, negative, or neutral. It has been substantiated that Naive Bayes algorithm has proved better accuracy compared to random forest and decision tree algorithms.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».