Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Detecting Antisocial Behavior on Social Media During COVID-19 Lockdown
Rok: 2024
Druh publikace: článek ve sborníku
Název zdroje: Novel and Intelligent Digital Systems (NiDS 2024)
Název nakladatele: Springer Nature Switzerland AG
Místo vydání: Cham
Strana od-do: 189-200
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Detekce asociálního chování na sociálních sítích během lockdownu COVID-19 Široká dostupnost internetu učinila zapojení do sociálních sítí nedílnou součástí moderní společnosti. Platformy jako Facebook, Twitter/X, YouTube a další jsou navrženy tak, aby usnadňovaly rozsáhlou, efektivní a trvalou účast uživatelů, přičemž nabízejí jak anonymitu, tak příležitosti k pozitivní interakci. Tyto platformy se však zároveň staly prostředím pro asociální chování, zahrnující nerespektování práv ostatních, nedostatek empatie, trolling a agresivitu, což má značné negativní psychologické dopady na zasažené jedince. Tyto dopady zahrnují úzkost, emoční traumata, depresi, psychické poruchy, izolaci, snížené sebevědomí a dokonce i sebevražedné myšlenky. Tato studie se zaměřuje na asociální chování (ASB) projevující se v tweetech z Ghany během 21denního lockdownu COVID-19. Vyvinuli jsme referenční anotovaný korpus ASB z nasbíraných a předzpracovaných dat. Následně jsme hodnotili výkon různých základních klasifikátorů ve srovnání se třemi modely založenými na transformátorech – BERT, RoBERTa a ELECTRA – při binárním klasifikačním úkolu zaměřeném na detekci ASB. Každý model vykazoval různé úrovně úspěšnosti; nicméně model RoBERTa, po jemném doladění, dosáhl nejlepších výsledků, s přesností 95,59 % a F1 skóre 94,99 %, čímž překonal ostatní modely. Asociální chování; Velký jazykový model; Sociální média; Transformer
eng Detecting Antisocial Behavior on Social Media During COVID-19 Lockdown The widespread availability of the internet has rendered the engagement with social media an integral component of contemporary society. Platforms such as Facebook, Twitter/X, YouTube, among others, are designed to facilitate extensive, efficient, and sustained user participation, offering both anonymity and opportunities for positive engagement. However, these platforms have also become arenas for antisocial behaviors, including disregard for others’ rights, lack of empathy, trolling, and aggression, leading to significant negative psychological impacts on affected individuals. These impacts range from anxiety and emotional trauma to depression, psychological disorders, self-isolation, diminished self-esteem, and even suicidal thoughts. This study focuses on antisocial behavior (ASB) manifested in tweets from Ghana during the 21-day COVID-19 lockdown. We develop a gold-standard annotated ASB corpus from collected and pre-processed data. We then assess the performance of different baseline classifiers against three transformer models-BERT, RoBERTa, and ELECTRA-in a binary classification task designed to detect ASB. Each model demonstrated varying degrees of success; however, the RoBERTa model, upon fine-tuning, exhibited superior performance, achieving an accuracy rate of 95.59% and an F1 score of 94.99%, thereby outperforming the other models. Antisocial behavior; Large language model; Social media; Transformer