Програму навчили передбачати появу кібертролів за фотографією

Вчені з Колорадського університету в Боулдері, США створили алгоритм для пошуку і передбачення в соціальній мережі Instagram випадків кібермоббінгу: навмисної образи і залякування користувачів. За допомогою машинного навчання та методів мовного аналізу фахівцям вдалося досягти 77-відсоткової точності пошуку атак і 60-відсоткової точності їх передбачення. Препринт роботи викладено на .Автори аналізували 2218 постів в Instagram, відібраних з більш ніж трьох мільйонів записів. Всі дані за допомогою учасників краудсорсингової платформи CrowdFlower були розбиті на групи за проявами кіберагресії (одиночний негативний коментар) або кібермоббінгу (два або більш негативних або образливих коментарі). В отриманих вибірках аналізували зміст коментарів, а також їх загальний емоційний окрас, все це здійснювалося за допомогою традиційних методів лінгвістичного аналізу. Виявилося, що в «агресивних» коментарях переважали слова, що стосуються таких тем, як «релігія», «смерть», «наркотики», а також «злість», «смуток», «тіло», «сексуальність» - з точки зору психологічної класифікації. З незвичайних результатів вчені виділяють те, що ланцюжки коментарів з дуже високим (більше 90 відсотків від усіх повідомлень) змістом нецензурної лексики рідко виявлялися агресивними. Часто такі теми були пов'язані з політикою або спортом, а в деяких випадках, за словами авторів, «це були просто дружні бесіди». На підставі отриманих результатів автори створили набір ознак, за якими навчали програму-класифікатор. Точність визначення кіберагресії або кібермобінгу цим методом склала до 77 відсотків. Далі автори намагалися передбачити, чи викличе фотографія негативний відгук у коментарях. Для цього також використовувалося машинне навчання, але в якості ознак виступав тільки зміст фотографії, а також дані з профілю користувача. Точність передбачення склала до 60 відсотків. Автори планують поліпшити точність роботи їхнього алгоритму, використовуючи методи глибокого навчання на основі штучних нейронних мереж. Ці методи вже застосовувалися для аналізу соціальних мереж. Наприклад, вчені створили програму для пошуку «перлин» серед непопулярних фотографій у мережі Flickr.