با گسترش روزافزون اینترنت در زندگی روزمره، شاهد مزایای بی‌شماری بوده‌ایم، اما در کنار آن، تهدیدات جدید و گسترده‌ای نیز ظهور کرده‌اند. نفرت‌پراکنی آنلاین، ترولینگ، قلدری سایبری و رفتارهای پرخاشگرانه از جمله این تهدیدات هستند که به سرعت در حال گسترش در فضای مجازی می‌باشند. در حالی که تحقیقات سنتی به طور خاص بر روی نفرت‌پراکنی آنلاین در یک پلتفرم واحد متمرکز بوده‌اند، واقعیت این است که این پدیده اغلب از شبکه‌های آنلاین متعددی استفاده می‌کند. مقاله حاضر به بررسی تطبیقی نفرت‌پراکنی آنلاین در دو پلتفرم محبوب، ردیت و فورچن، می‌پردازد و هدف آن درک بهتر این پدیده در اکوسیستم آنلاین گسترده‌تر است.

این مقاله توسط فاطمه زهرا، جیسون آر. سی. نرس و مایکل گلداسمیت به نگارش درآمده است. نویسندگان از متخصصان حوزه‌های محاسبات و زبان، هوش مصنوعی، کامپیوتر و جامعه، و یادگیری ماشین هستند. تخصص آنها در این زمینه‌ها، به آن‌ها امکان داده است تا با استفاده از روش‌های نوین تحلیل داده و پردازش زبان طبیعی (NLP) به بررسی عمیق و جامعی از نفرت‌پراکنی آنلاین بپردازند. زمینه تحقیقاتی این مقاله در تقاطع علوم کامپیوتر، علوم اجتماعی و علوم سیاسی قرار دارد و با بررسی داده‌های واقعی از شبکه‌های اجتماعی، به درک بهتری از تأثیرات فناوری بر رفتارهای اجتماعی و سیاسی کمک می‌کند.

این مقاله با استفاده از روش‌های محاسباتی و تحلیل زبانی، محتوای نفرت‌پراکنی در ردیت و فورچن را در رابطه با انتخابات ریاست جمهوری ۲۰۲۰ ایالات متحده بررسی می‌کند. هدف اصلی، مقایسه الگوهای نفرت‌پراکنی و رفتارهای مرتبط با آن در این دو پلتفرم است. یافته‌های تحقیق نشان می‌دهند که نوع محتوا و فعالیت‌های کاربران، بسته به پلتفرم مورد استفاده، می‌تواند تفاوت‌های قابل توجهی داشته باشد. این مقاله تلاش می‌کند تا درکی اولیه از رفتارهای خاص پلتفرم در زمینه نفرت‌پراکنی آنلاین ارائه دهد و نشان دهد که چگونه پلتفرم‌های مختلف می‌توانند اهداف متفاوتی را در این زمینه دنبال کنند. نویسندگان همچنین پیشنهاداتی برای تحقیقات آینده ارائه می‌دهند که می‌توانند با استفاده از رویکردی چند پلتفرمی، به درک جامع‌تری از اکوسیستم جهانی نفرت‌پراکنی دست یابند.

روش‌شناسی تحقیق در این مقاله بر پایه تحلیل محاسباتی داده‌ها و پردازش زبان طبیعی (NLP) استوار است. به طور خلاصه، روش کار به شرح زیر است:

1. جمع‌آوری داده‌ها: داده‌های مربوط به پست‌ها و نظرات مرتبط با انتخابات ۲۰۲۰ ایالات متحده از هر دو پلتفرم ردیت و فورچن جمع‌آوری شده‌اند. این داده‌ها شامل متن، اطلاعات مربوط به نویسنده، و سایر اطلاعات مرتبط است.
2. پیش‌پردازش داده‌ها: داده‌های جمع‌آوری شده برای حذف نویزها و آماده‌سازی برای تحلیل، پیش‌پردازش شده‌اند. این مرحله شامل مواردی مانند حذف کاراکترهای غیرضروری، نرمال‌سازی متن و شناسایی زبان است.
3. تحلیل متن با استفاده از NLP: از تکنیک‌های مختلف NLP برای تحلیل محتوای متن‌ها استفاده شده است. این تکنیک‌ها شامل شناسایی احساسات (sentiment analysis)، تشخیص موضوعات (topic modeling)، و شناسایی الگوهای زبانی است.
4. دسته‌بندی محتوای نفرت‌پراکن: محتوا بر اساس میزان نفرت‌پراکنی موجود در آن دسته‌بندی شده است. این دسته‌بندی می‌تواند با استفاده از مدل‌های یادگیری ماشین یا با استفاده از قوانین و معیارهای از پیش تعریف شده انجام شود.
5. مقایسه و تحلیل نتایج: نتایج حاصل از تحلیل داده‌ها در هر دو پلتفرم با یکدیگر مقایسه شده‌اند. این مقایسه به شناسایی تفاوت‌ها و شباهت‌های موجود در الگوهای نفرت‌پراکنی در این دو پلتفرم کمک می‌کند. برای مثال، ممکن است مشخص شود که نوع خاصی از محتوای نفرت‌پراکن در یک پلتفرم بیشتر از دیگری رواج دارد.

به عنوان مثال، برای شناسایی محتوای نفرت‌پراکن، محققان می‌توانند از یک مدل یادگیری ماشین استفاده کنند که بر روی مجموعه داده‌ای از متون برچسب‌گذاری شده آموزش داده شده است. این مدل می‌تواند با دقت بالایی متونی را که حاوی عبارات توهین‌آمیز، تبعیض‌آمیز یا تهدیدآمیز هستند، شناسایی کند.

یافته‌های این تحقیق نشان می‌دهد که الگوهای نفرت‌پراکنی آنلاین در ردیت و فورچن تفاوت‌های قابل توجهی دارند:

• نوع محتوا: محتوای نفرت‌پراکن در فورچن اغلب صریح‌تر و تهاجمی‌تر از ردیت است. در ردیت، نفرت‌پراکنی ممکن است به صورت غیرمستقیم و با استفاده از کنایه‌ها و استعاره‌ها بیان شود.
• فعالیت کاربران: کاربران فورچن اغلب به صورت ناشناس فعالیت می‌کنند، که این امر می‌تواند به افزایش رفتارهای پرخاشگرانه و نفرت‌پراکنانه منجر شود. در ردیت، کاربران معمولاً با نام کاربری مشخص فعالیت می‌کنند و این امر ممکن است تا حدی از رفتارهای نامناسب جلوگیری کند.
• موضوعات مورد بحث: در حالی که هر دو پلتفرم در مورد انتخابات ۲۰۲۰ ایالات متحده بحث می‌کنند، موضوعات مورد تمرکز و نحوه پرداختن به آن‌ها متفاوت است. برای مثال، ممکن است در فورچن تمرکز بیشتری بر روی تئوری‌های توطئه و اطلاعات نادرست وجود داشته باشد، در حالی که در ردیت بحث‌ها بیشتر حول محور مسائل سیاسی و اجتماعی جریان داشته باشد.

به عنوان مثال، تصور کنید که یک کاربر در فورچن پستی با محتوای نژادپرستانه و توهین‌آمیز منتشر می‌کند. به دلیل ناشناس بودن، این کاربر ممکن است بدون هیچ مانعی به انتشار این نوع محتوا ادامه دهد. در مقابل، در ردیت، اگر کاربری مشابه این محتوا را منتشر کند، احتمالاً با گزارش‌های دیگر کاربران و در نهایت با حذف پست و تعلیق حساب کاربری خود مواجه خواهد شد.

این تحقیق دارای کاربردها و دستاوردهای متعددی است:

• درک بهتر نفرت‌پراکنی آنلاین: این تحقیق به درک بهتری از پدیده نفرت‌پراکنی آنلاین و نحوه عملکرد آن در پلتفرم‌های مختلف کمک می‌کند.
• توسعه ابزارهای تشخیص نفرت‌پراکنی: یافته‌های این تحقیق می‌تواند در توسعه ابزارهای تشخیص خودکار محتوای نفرت‌پراکن مورد استفاده قرار گیرد. این ابزارها می‌توانند به مدیران شبکه‌های اجتماعی کمک کنند تا محتوای نامناسب را به سرعت شناسایی و حذف کنند.
• طراحی سیاست‌های مقابله با نفرت‌پراکنی: نتایج این تحقیق می‌تواند در طراحی سیاست‌های مؤثرتر برای مقابله با نفرت‌پراکنی آنلاین مورد استفاده قرار گیرد. این سیاست‌ها می‌توانند شامل مواردی مانند آموزش کاربران، افزایش آگاهی عمومی و اعمال قوانین سختگیرانه‌تر باشند.
• تحقیقات آینده: این تحقیق، زمینه را برای تحقیقات آینده در زمینه نفرت‌پراکنی آنلاین و تأثیر آن بر جامعه فراهم می‌کند.

به عنوان مثال، یک شرکت شبکه‌های اجتماعی می‌تواند از یافته‌های این تحقیق برای آموزش الگوریتم‌های خود در شناسایی محتوای نفرت‌پراکن استفاده کند. این امر می‌تواند منجر به کاهش انتشار محتوای نامناسب و بهبود فضای آنلاین برای کاربران شود.

این مقاله با مقایسه نفرت‌پراکنی آنلاین در ردیت و فورچن، نشان می‌دهد که پلتفرم‌های مختلف نقش‌های متفاوتی در اکوسیستم نفرت‌پراکنی ایفا می‌کنند. یافته‌های این تحقیق بر اهمیت در نظر گرفتن ویژگی‌های خاص هر پلتفرم در هنگام بررسی و مقابله با نفرت‌پراکنی آنلاین تأکید می‌کند. با استفاده از رویکردی چند پلتفرمی و بهره‌گیری از روش‌های تحلیل داده و پردازش زبان طبیعی، می‌توان به درک جامع‌تری از این پدیده دست یافت و راهکارهای مؤثرتری برای مقابله با آن ارائه کرد. این تحقیق به عنوان گامی در جهت درک بهتر و مقابله با نفرت‌پراکنی آنلاین، می‌تواند به ایجاد فضایی امن‌تر و سالم‌تر در اینترنت کمک کند.