با گسترش روزافزون اینترنت و شبکه‌های اجتماعی، پدیده‌ای مخرب به نام قلدری سایبری (Cyberbullying) به یکی از معضلات جدی جوامع مدرن تبدیل شده است. این پدیده که شامل هرگونه آزار و اذیت، تهدید، تمسخر یا انتشار اطلاعات نادرست از طریق پلتفرم‌های دیجیتال است، می‌تواند پیامدهای روانی و اجتماعی ویرانگری برای قربانیان، به ویژه کودکان و نوجوانان، به همراه داشته باشد. حجم عظیم محتوای تولید شده در هر لحظه در شبکه‌های اجتماعی، نظارت و کنترل دستی این محتوا را برای شناسایی موارد قلدری سایبری غیرممکن می‌سازد. از این رو، نیاز به توسعه سیستم‌های خودکار و هوشمند برای تشخیص و مقابله با این پدیده بیش از پیش احساس می‌شود.

تحقیقات گسترده‌ای در زمینه استفاده از یادگیری ماشین (Machine Learning) و پردازش زبان طبیعی (NLP) برای تشخیص قلدری سایبری انجام شده است. با این حال، اکثر این مطالعات بر روی زبان انگلیسی متمرکز بوده‌اند و زبان‌های دیگر، به ویژه زبان‌هایی با ساختار پیچیده مانند زبان ترکی، کمتر مورد توجه قرار گرفته‌اند. مقاله حاضر با عنوان «عملکرد مقایسه‌ای الگوریتم‌های یادگیری ماشین در تشخیص قلدری سایبری: با استفاده از تکنیک‌های پیش‌پردازش زبان ترکی» این خلاء تحقیقاتی را هدف قرار داده و با ارزیابی جامع الگوریتم‌های مختلف، به دنبال یافتن مؤثرترین روش برای شناسایی محتوای مخرب در زبان ترکی است. اهمیت این پژوهش در ارائه یک راهکار عملی و دقیق برای ایجاد فضایی امن‌تر در شبکه‌های اجتماعی ترک‌زبان و همچنین فراهم آوردن یک معیار (Benchmark) برای تحقیقات آینده در این حوزه است.

این مقاله حاصل همکاری سه پژوهشگر به نام‌های امره جیهان آتش (Emre Cihan Ates)، ارکان بستانچی (Erkan Bostanci) و مهمت سردار گوزل (Mehmet Serdar Guzel) است. این تحقیق در حوزه «کامپیوتر و جامعه» (Computers and Society) طبقه‌بندی شده که نشان‌دهنده تمرکز آن بر کاربردهای فناوری اطلاعات در حل مسائل اجتماعی است. نویسندگان با تخصص در زمینه‌های علوم کامپیوتر، هوش مصنوعی و پردازش زبان طبیعی، تلاش کرده‌اند تا با رویکردی علمی و داده‌محور، به مقابله با یکی از چالش‌های مهم دنیای دیجیتال بپردازند.

هدف اصلی این مطالعه، مقایسه عملکرد الگوریتم‌های مختلف یادگیری ماشین در شناسایی پیام‌های حاوی قلدری سایبری به زبان ترکی است. با توجه به اینکه کنترل دستی این حجم از محتوا غیرممکن است، محققان به دنبال یافتن یک روش خودکار و کارآمد هستند. در این پژوهش، نویسندگان از ۱۹ الگوریتم طبقه‌بندی متفاوت استفاده کرده و آن‌ها را بر روی مجموعه‌داده‌ای از متون ترکی آموزش داده‌اند. یکی از نکات کلیدی این تحقیق، تمرکز بر تکنیک‌های پیش‌پردازش مختص زبان ترکی است که نقش حیاتی در افزایش دقت مدل‌ها دارد. برای ارزیابی عملکرد هر الگوریتم، از معیارهای استانداردی مانند دقت (Precision)، بازخوانی (Recall)، صحت (Accuracy) و امتیاز F1 (F1 Score) استفاده شده است. نتایج نهایی نشان داد که الگوریتم Light Gradient Boosting Model (LGBM) با دستیابی به صحت ۹۰.۷۸۸٪ و امتیاز F1 برابر با ۹۰.۹۴۹٪، بهترین عملکرد را در میان تمامی الگوریتم‌های مورد بررسی داشته است.

روش‌شناسی این پژوهش بر پایه یک فرآیند استاندارد در پروژه‌های یادگیری ماشین و پردازش زبان طبیعی بنا شده است. مراحل اصلی این تحقیق به شرح زیر است:

• جمع‌آوری و برچسب‌گذاری داده‌ها: اولین گام، تهیه یک مجموعه داده (Dataset) از متون ترکی است که از شبکه‌های اجتماعی استخراج شده‌اند. این متون سپس توسط انسان‌ها بررسی و به دو دسته «حاوی قلدری سایبری» و «بدون قلدری سایبری» برچسب‌گذاری می‌شوند تا داده‌های آموزشی برای الگوریتم‌ها فراهم شود.
• پیش‌پردازش زبان ترکی (Turkish Language Preprocessing): این مرحله به دلیل ساختار التصاقی و پیچیده زبان ترکی از اهمیت ویژه‌ای برخوردار است. تکنیک‌های به کار رفته در این بخش شامل موارد زیر است:
  • نرمال‌سازی متن: تبدیل تمام حروف به حروف کوچک، حذف کاراکترهای اضافی، علائم نگارشی و لینک‌ها.
  • توکن‌سازی (Tokenization): شکستن جملات به کلمات یا توکن‌های مجزا.
  • حذف کلمات توقف (Stop-word Removal): حذف کلمات رایج و بی‌اثری مانند حروف اضافه و ربط (مثل «و»، «در»، «که») که بار معنایی خاصی ندارند.
  • ریشه‌یابی (Stemming) یا لماسازی (Lemmatization): بازگرداندن کلمات به ریشه یا شکل پایه آن‌ها. این کار به کاهش ابعاد فضای ویژگی و درک بهتر معنای کلمات کمک شایانی می‌کند.
• استخراج ویژگی (Feature Extraction): پس از پاک‌سازی متون، باید آن‌ها را به فرمت عددی قابل فهم برای الگوریتم‌های یادگیری ماشین تبدیل کرد. در این پژوهش احتمالاً از روش‌های متداولی مانند TF-IDF (Term Frequency-Inverse Document Frequency) استفاده شده است که به هر کلمه بر اساس اهمیت آن در یک متن و در کل مجموعه داده، وزنی اختصاص می‌دهد.
• آموزش و ارزیابی مدل‌ها: در این مرحله، ۱۹ الگوریتم طبقه‌بندی مختلف بر روی داده‌های پیش‌پردازش شده آموزش داده می‌شوند. این الگوریتم‌ها طیف وسیعی از مدل‌های کلاسیک را پوشش می‌دهند، از جمله:
  • مدل‌های خطی (مانند رگرسیون لجستیک)
  • ماشین‌های بردار پشتیبان (SVM)
  • الگوریتم‌های مبتنی بر درخت (مانند درخت تصمیم و جنگل تصادفی)
  • الگوریتم‌های بیز ساده (Naive Bayes)
  • مدل‌های گروهی پیشرفته (Ensemble Models) مانند LGBM، XGBoost و AdaBoost.
• سنجش عملکرد: برای مقایسه عادلانه مدل‌ها، از معیارهای ارزیابی استاندارد استفاده شده است. صحت (Accuracy) درصد کل پیش‌بینی‌های صحیح را نشان می‌دهد، در حالی که امتیاز F1 میانگین هماهنگ بین دقت و بازخوانی است و در مجموعه داده‌های نامتوازن، معیار قابل اعتمادتری محسوب می‌شود.

مهم‌ترین و برجسته‌ترین یافته این تحقیق، عملکرد برتر الگوریتم Light Gradient Boosting Model (LGBM) در مقایسه با ۱۸ الگوریتم دیگر بود. این الگوریتم توانست به نتایج زیر دست یابد:

• صحت (Accuracy): ۹۰.۷۸۸٪
• امتیاز F1 (F1 Score): ۹۰.۹۴۹٪

این اعداد نشان‌دهنده توانایی بالای مدل LGBM در تفکیک دقیق پیام‌های حاوی قلدری سایبری از پیام‌های عادی است. موفقیت این الگوریتم را می‌توان به چندین عامل نسبت داد. LGBM یک الگوریتم مبتنی بر گرادیان بوستینگ است که به دلیل سرعت بالا، مصرف حافظه کمتر و کارایی فوق‌العاده در داده‌های جدولی (که متون پس از استخراج ویژگی به آن تبدیل می‌شوند) شهرت دارد. این مدل با ترکیب صدها درخت تصمیم ضعیف به صورت متوالی، یک مدل نهایی بسیار قدرتمند و دقیق ایجاد می‌کند که قادر به یادگیری الگوهای پیچیده در داده‌هاست.

این پژوهش همچنین نشان داد که انتخاب الگوریتم مناسب تأثیر مستقیمی بر عملکرد نهایی سیستم دارد و الگوریتم‌های مدرن و گروهی مانند LGBM به طور قابل توجهی بهتر از روش‌های سنتی‌تر عمل می‌کنند.

نتایج این مقاله دارای کاربردها و دستاوردهای علمی و عملی مهمی است:

• کاربردهای عملی:
  • پلتفرم‌های شبکه‌های اجتماعی: شرکت‌هایی مانند توییتر، اینستاگرام و فیسبوک می‌توانند از این مدل برای توسعه سیستم‌های خودکار تعدیل محتوا (Content Moderation) برای کاربران ترک‌زبان استفاده کنند.
  • نرم‌افزارهای کنترل والدین: این فناوری می‌تواند در ابزارهایی ادغام شود که به والدین اجازه می‌دهد فعالیت آنلاین فرزندان خود را برای محافظت از آن‌ها در برابر محتوای مخرب نظارت کنند.
  • محیط‌های آموزشی آنلاین: در پلتفرم‌های یادگیری الکترونیکی و تالارهای گفتگوی دانشجویی، این سیستم می‌تواند برای حفظ یک محیط امن و محترمانه به کار رود.
• دستاوردهای علمی:
  • پر کردن خلاء تحقیقاتی: این مطالعه یکی از معدود تحقیقات جامعی است که به طور خاص بر روی تشخیص قلدری سایبری در زبان ترکی تمرکز دارد.
  • ایجاد یک معیار ارزیابی (Benchmark): با مقایسه ۱۹ الگوریتم مختلف، این مقاله یک خط پایه قوی برای محققانی که در آینده روی این موضوع کار می‌کنند، فراهم می‌کند.
  • تأکید بر اهمیت پیش‌پردازش: این تحقیق اهمیت به‌کارگیری تکنیک‌های پیش‌پردازش متناسب با ویژگی‌های ساختاری یک زبان خاص (مانند ترکی) را برجسته می‌سازد.

مقاله «عملکرد مقایسه‌ای الگوریتم‌های یادگیری ماشین در تشخیص قلدری سایبری» یک گام مهم در جهت مبارزه با یکی از آسیب‌های جدی فضای مجازی برمی‌دارد. محققان با یک رویکرد سیستماتیک و جامع، نشان دادند که با استفاده از تکنیک‌های مناسب پردازش زبان طبیعی و انتخاب الگوریتم یادگیری ماشین بهینه، می‌توان به دقت بسیار بالایی در شناسایی خودکار محتوای مرتبط با قلدری سایبری در زبان ترکی دست یافت.

یافته کلیدی این پژوهش، یعنی برتری چشمگیر الگوریتم LGBM با صحت بالای ۹۰٪، یک راهکار عملی و مؤثر را برای توسعه ابزارهای نظارتی هوشمند ارائه می‌دهد. این تحقیق نه تنها به ایجاد یک اینترنت امن‌تر برای جامعه ترک‌زبان کمک می‌کند، بلکه الهام‌بخش پژوهش‌های مشابه برای سایر زبان‌های کمتر مورد توجه در این حوزه خواهد بود. در نهایت، این مطالعه بار دیگر ثابت می‌کند که هوش مصنوعی و یادگیری ماشین می‌توانند به عنوان ابزارهای قدرتمندی در خدمت بهبود کیفیت زندگی و حل معضلات اجتماعی به کار گرفته شوند.