Detección y prevención precisa del ciberacoso en redes sociales

 El uso de las redes digitales y sociales está aumentando día a día con el avance de la tecnología. La gente del siglo XXI está creciendo en un mundo con internet gracias a las redes sociales. La comunicación ha sido solo un clic. Aunque hay muchas oportunidades con los medios digitales, la gente tiende a abusar de ellos. La gente difunde odio hacia una persona en las redes sociales. El ciberacoso afecta a las personas en diferentes aspectos. No afecta solo a la salud, hay más aspectos diferentes que pueden llevar la vida a una amenaza. El ciberacos o es un fenómeno moderno a nivel mundial que los humanos no pueden evitar al cien por cien, pero que sí puede prevenirse. La mayoría de las soluciones existentes han mostrado técnicas/enfoques para detectar el ciberacoso, pero no están disponibles gratuitamente para que los usuarios finales las utilicen. No han considerado la evolución del lenguaje, que tiene un gran impacto en el ciberacoso en el texto de acosamiento.

Este artículo describe un sistema para la detección y prevención automática del ciberacoso que considera las principales características del ciberacoso, como la intención de dañar a una persona, de forma repetida y a lo largo del tiempo, y el uso de lenguaje abusivo o discurso de odio mediante aprendizaje automático supervisado. El sistema se basa en la detección de textos sobre ciberacoso junto con los temas/categorías asociados al ciberacoso como racista, sexual, maldad física, palabrotas y otros, utilizando máquinas de vectores de apoyo y regresión logística. El autor de esta investigación presenta una nueva hipótesis para la detección del ciberacoso, según la cual las circunstancias y el uso de los mensajes de texto y su lenguaje han cambiado con el tiempo. La mayoría de los estudios han considerado que llamar a alguien estúpido, feo e idiota es ciberacoso. Las cosas han cambiado, esas palabras pueden o no siempre ser un incidente de acoso escolar. Si una persona quiere dañar intencionadamente a alguien, usará palabras extremas. Además de las técnicas tradicionales de extracción de características como la frecuencia de términos–frecuencia inversa del documento (TF-IDF), el N-grama y las palabrotas junto con el análisis de sentimiento, aumentan la precisión del sistema. Evaluó el sistema propuesto utilizando Recall, Precision y puntuación F1.

📚Referencias en normas APA

1. Notar, C. E., Padgett, S., & Roden, J. (2013). Ciberacoso: Revisión de la literatura. Universal Journal of Educational Research, 1(1), 9.

2. Rosa, H., et al. (2019). Detección automática de ciberacoso: Una revisión sistemática. Computers in Human Behavior, 93, 333–345. https://doi.org/10.1016/j.chb.2018.12.021

3. Nandhini, B. S., & Sheeba, J. I. (2015). Detección de acoso en redes sociales en línea usando técnicas de inteligencia. Procedia Computer Science, 45, 485–492. https://doi.org/10.1016/j.procs.2015.03.085

4. Hemphill, S. A., Kotevski, A., & Heerde, J. A. (2015). Asociaciones longitudinales entre la perpetración y victimización del ciberacoso y los problemas de comportamiento problemático y salud mental en jóvenes australianos. International Journal of Public Health, 60(2), 227–237. https://doi.org/10.1007/s00038-014-0644-9

5. Ioannou, A., et al. (2017, mayo). De los factores de riesgo a la detección e intervención: Una metarevisión y propuesta práctica para la investigación sobre el ciberacoso. En IST-Africa Week Conference 2017 (pp. 1–8). IEEE. https://doi.org/10.23919/ISTAFRICA.2017.8102355

6. Patchin, J. W. (2019, julio 9). Datos sobre el ciberacoso 2019. Cyberbullying Research Center. https://cyberbullying.org/2019-cyberbullying-data

7. Mazari, A. A. (2013, marzo). Taxonomías del ciberacoso: Definición, formas, consecuencias y estrategias de mitigación. En 5th International Conference on Computer Science and Information Technology (pp. 126–133). IEEE. https://doi.org/10.1109/CSIT.2013.6588770

8. Colombo Telegraph. (2019, abril 15). Acoso más allá de las fronteras: ¿Se pueden proteger las víctimas del ciberacoso en Sri Lanka? Colombo Telegraph. https://www.colombotelegraph.com/index.php/harassment-beyond-borders-can-victims-be-protected-by-cyber-bullying-in-sri-lanka/

9. Schneider, S. K., O'Donnell, L., Stueve, A., & Coulter, R. W. S. (2012). Ciberacoso, acoso escolar y malestar psicológico: Un censo regional de estudiantes de secundaria. American Journal of Public Health, 102(1), 171–177. https://doi.org/10.2105/AJPH.2011.300308

10. Facebook. (2019). Centro de seguridad. https://www.facebook.com/safetyv2

11. Yin, D., Xue, Z., & Hong, L. (2019). Detección de acoso en la Web 2.0. [Manuscrito].

12. Sood, S. O., Churchill, E. F., & Antin, J. (2012). Identificación automática de insultos personales en sitios de noticias sociales. Journal of the American Society for Information Science and Technology, 63(2), 270–285. https://doi.org/10.1002/asi.21690

13. Squicciarini, A., Rajtmajer, S., Liu, Y., & Griffin, C. (2015, agosto). Identificación y caracterización de la dinámica del ciberacoso en una red social en línea. En 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 280–285). IEEE. https://doi.org/10.1145/2808797.2809398

14. Chavan, V. S., & Shylaja, S. S. (2015, agosto). Enfoque de aprendizaje automático para la detección de comentarios ciber-agresivos de pares en redes sociales. En International Conference on Advances in Computing, Communications and Informatics (ICACCI) (pp. 2354–2358). IEEE. https://doi.org/10.1109/ICACCI.2015.7275970

15. Internet Archive. (2020, julio 23). Búsqueda en Internet Archive: collection:twitterstream. https://archive.org/search.php?query=collection%3Atwitterstream&sort=-publicdate&page=2

16. Mishna, F., Saini, M., & Solomon, S. (2009). En curso y en línea: Percepciones de niños y jóvenes sobre el ciberacoso. Children and Youth Services Review, 31(12), 1222–1228. https://doi.org/10.1016/j.childyouth.2009.05.004

17. Patchin, J. W., & Hinduja, S. (2006). Los matones se alejan del patio del colegio: Una mirada preliminar al ciberacoso. Youth Violence and Juvenile Justice, 4(2), 148–169. https://doi.org/10.1177/1541204006286288

18. Kowsari, K., Jafari Meimandi, D. A., Heidarysafa, M., Mendu, S., Barnes, L., & Brown, D. (2019). Algoritmos de clasificación de texto: Una encuesta. Information, 10(4), 150. https://doi.org/10.3390/info10040150

19. Mishra, U. (2020, mayo 28). Métricas para evaluar tu algoritmo de aprendizaje automático. Medium. https://towardsdatascience.com/metrics-to-evaluate-your-machine-learning-algorithm-f10ba6e38234