Detectar el bullying
NDSS 2021 Hacia la comprensión y la detección
El conjunto de datos en bruto utilizado en esta investigación no está a disposición del público. Los datos que respaldan las conclusiones de este trabajo de investigación están disponibles a través del autor correspondiente, previa solicitud válida debido a restricciones éticas y de privacidad.
Reimpresiones y permisosSobre este artículoCite este artículoDewani, A., Memon, M.A. & Bhatti, S. Cyberbullying detection: advanced preprocessing techniques & deep learning architecture for Roman Urdu data.
J Big Data 8, 160 (2021). https://doi.org/10.1186/s40537-021-00550-7Download citationShare this articleCualquier persona con la que compartas el siguiente enlace podrá leer este contenido:Get shareable linkSorry, a shareable link is not currently available for this article.Copy to clipboard
Detección del ciberacoso mediante el método Ensemble
Hay muchas señales de advertencia que pueden indicar que alguien está afectado por el acoso, ya sea porque está siendo acosado o porque está acosando a otros. Reconocer las señales de advertencia es un primer paso importante para actuar contra el acoso. No todos los niños acosados o que acosan a otros piden ayuda.
Es importante hablar con los niños que muestran signos de ser acosados o de acosar a otros. Estas señales de advertencia también pueden apuntar a otras cuestiones o problemas, como la depresión o el abuso de sustancias. Hablar con el niño puede ayudar a identificar la raíz del problema.
Detección del ciberacoso en aplicaciones en la nube
Resumen del proyectoLa detección del ciberacoso implementa nuestros algoritmos codificados de aprendizaje automático para encontrar un comentario negativo entre los mensajes que recibe de un usuario. En primer lugar, el algoritmo asigna un valor al mensaje y, a continuación, basándose en nuestros datos preentrenados, decide si el comentario es lo suficientemente duro como para ser transformado o no. Si efectivamente es duro, el sistema buscará en nuestra compleja red de usuarios cómo se dirige este usuario a la gente por término medio y cómo se dirige al usuario final por término medio. Basándose en estos datos, el sistema decidirá si es necesario transformar el mensaje. En caso afirmativo, el mensaje pasa por una serie de modelos para cambiar los componentes negativos de la frase por componentes positivos. A continuación, nuestros algoritmos iniciales comprueban la frase transformada. Se le asigna un valor y, si el valor resulta en una frase positiva, el sistema procederá a enviar la frase positiva transformada al usuario final. En caso contrario, la frase volverá a pasar por los modelos. Los usuarios se comunican a través de un front face web desarrollado y están conectados a un servidor central. Los usuarios se denominan clientes. Si se modifica algún mensaje, se notificará al usuario receptor junto con el mensaje modificado.
BullyBuster - Detección de anomalías en secuencias de vídeo
El acoso en el lugar de trabajo se ha medido en muchos estudios para investigar sus efectos sobre la salud mental. Sin embargo, ninguno ha utilizado pruebas adaptativas informatizadas (CAT) basadas en web con clasificaciones de acosadores y redes neuronales convolucionales (CNN) para informar sobre el alcance del acoso individual en el lugar de trabajo.
Este estudio tiene como objetivo construir un modelo utilizando CNN para desarrollar una aplicación para la detección automática y la clasificación de los niveles de acoso de las enfermeras, incorporado con la prueba adaptativa informatizada Rasch en línea, para ayudar a evaluar el acoso de las enfermeras en una etapa temprana.
Reclutamos a 960 enfermeras que trabajaban en un grupo hospitalario Ch-Mei de Taiwán para rellenar el Cuestionario de Actos Negativos-Revisado (NAQ-R) de 22 ítems en agosto de 2012. Se utilizaron el k-mean y la CNN como aprendizajes no supervisados y supervisados, respectivamente, para: (1) dividir a los enfermeros en tres clases (n=918, 29 y 13 con un grado sospechoso leve, moderado y grave de ser acosados, respectivamente); y (2) construir un modelo de predicción de acoso para estimar 69 parámetros diferentes. Por último, se separaron los datos en conjuntos de entrenamiento y de prueba en una proporción de 70:30, y se utilizaron los primeros para predecir los segundos. Se calcularon la sensibilidad, la especificidad y la curva de características operativas del receptor (área bajo la curva [AUC]), junto con la precisión entre los estudios para su comparación. Se desarrolló una aplicación para predecir el nivel de acoso del encuestado, que incluía los 69 parámetros estimados del modelo y el módulo Rasch CAT en línea como evaluación del sitio web.