Cyberbullying Detection for Low-resource Languages and Dialects: Review of the State of the Art

要約

コンテンツをタイムリーに管理しようとするソーシャルメディアプラットフォームの苦闘は、ユーザーがそのようなプラットフォームを悪用して下品な言葉や暴言を広めることを奨励しており、これが繰り返し実行されると、仮想環境で発生している社会問題であるネットいじめとなり、現実世界にも影響を及ぼします。
被害者のうつ病、引きこもり、さらには自殺未遂など。
ネットいじめを自動的に検出して軽減するためのシステムが開発されていますが、残念なことに、その大部分は英語用であり、リソースの少ない言語で利用できるものはほんのわずかです。
研究の現状を推定し、さらなる開発の必要性を認識するために、この文書では、リソースの少ない言語でのネットいじめの自動検出についてこれまでに行われた研究の包括的で体系的な調査を紹介します。
私たちは、このテーマに関する利用可能なすべての研究を分析しました。
私たちは、2017 年頃から 2023 年 1 月までに発表された、リソースの少ない言語および方言におけるネットいじめまたは関連言語の自動検出に関する 70 以上の研究を調査しました。この論文では、バングラ語、ヒンディー語を含む 23 のリソースの少ない言語および方言が取り上げられています。
、ドラヴィダ語など。
この調査では、ネットいじめとそれに関連するサブカテゴリーの信頼できる定義の欠如、データ取得における偏り、データの注釈など、これまでの研究のギャップをいくつか特定しました。
これらの研究ギャップの認識に基づいて、リソースの少ない言語に主に焦点を当てて、ネットいじめ検出における一般的な研究実施を改善するためのいくつかの提案を提供します。
これらの提案に基づいて、バングラのチッタゴニア方言でネットいじめデータセットを収集して公開し、そのデータセットでトレーニングされたいくつかの初期 ML ソリューションを提案します。
さらに、事前トレーニングされたトランスフォーマーベースの BanglaBERT モデルも試みられました。

要約(オリジナル)

The struggle of social media platforms to moderate content in a timely manner, encourages users to abuse such platforms to spread vulgar or abusive language, which, when performed repeatedly becomes cyberbullying a social problem taking place in virtual environments, yet with real-world consequences, such as depression, withdrawal, or even suicide attempts of its victims. Systems for the automatic detection and mitigation of cyberbullying have been developed but, unfortunately, the vast majority of them are for the English language, with only a handful available for low-resource languages. To estimate the present state of research and recognize the needs for further development, in this paper we present a comprehensive systematic survey of studies done so far for automatic cyberbullying detection in low-resource languages. We analyzed all studies on this topic that were available. We investigated more than seventy published studies on automatic detection of cyberbullying or related language in low-resource languages and dialects that were published between around 2017 and January 2023. There are 23 low-resource languages and dialects covered by this paper, including Bangla, Hindi, Dravidian languages and others. In the survey, we identify some of the research gaps of previous studies, which include the lack of reliable definitions of cyberbullying and its relevant subcategories, biases in the acquisition, and annotation of data. Based on recognizing those research gaps, we provide some suggestions for improving the general research conduct in cyberbullying detection, with a primary focus on low-resource languages. Based on those proposed suggestions, we collect and release a cyberbullying dataset in the Chittagonian dialect of Bangla and propose a number of initial ML solutions trained on that dataset. In addition, pre-trained transformer-based the BanglaBERT model was also attempted.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google