Hybrid Deep Learning Approach and Word2Vec Feature Expansion for Cyberbullying Detection on Indonesian Twitter
Notice bibliographique
Résumé
Twitter, a social media platform that enables users to generate, post, update, and peruse brief messages known as tweets, unfortunately, is frequently misused for circulating negative content encompassing cyberbullying.The detrimental effects of cyberbullying on the mental well-being of victims are profound, with extreme cases culminating in suicide due to severe stress.Consequently, preventive measures, inclusive of the development of a cyberbullying detection system for Twitter, are imperative.This study introduces a hybrid deep learning approach, incorporating feature expansion with Word2Vec and feature extraction with TF-IDF, for constructing a cyberbullying detection system tailored to the Indonesian language on Twitter.A sequence of test scenarios was executed on a system developed using a dataset of 29,085 Indonesian tweets.The outcomes of this study demonstrate that the highest accuracy was achieved by the CNN-LSTM hybrid model with an accuracy of 79.26%, and the LSTM-CNN hybrid model with an accuracy of 79.48%.These findings substantiate that the amalgamation of hybrid models, Word2Vec for feature augmentation, and TF-IDF for feature extraction, yields superior accuracy compared to other deep learning models.Consequently, this study has succeeded in identifying cyberbullying on Twitter, contributing to the development of a healthier social media environment for users.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».