تحلیل سری زمانی بیزی با کمک پردازش زبان طبیعی برای شیوع آزار و اذیت سایبری در توییتر در دوران همه‌گیری کووید-۱۹

مقدمه و اهمیت تحقیق

همه‌گیری کووید-۱۹، تغییرات عمیقی در پویایی‌های اجتماعی به ارمغان آورد. محدودیت‌های رفت‌وآمد، خانه‌نشینی اجباری و اختلال در آموزش حضوری، همگی بر رفتار افراد در محیط‌های مختلف، از جمله فضای مجازی، تأثیر گذاشتند. از جمله پیامدهای ناگوار این تغییرات، افزایش آزار و اذیت سایبری بود که سلامت روان و رفاه افراد را به خطر انداخت. این مقاله با هدف بررسی دقیق‌تر شیوع آزار و اذیت سایبری در توییتر، یکی از پرکاربردترین پلتفرم‌های رسانه‌های اجتماعی، در طول دوران همه‌گیری کووید-۱۹، اهمیت ویژه‌ای دارد.

درک این روندها و شناسایی عوامل مؤثر بر آن‌ها، برای اتخاذ سیاست‌ها و راهکارهایی جهت کاهش آزار و اذیت سایبری و حمایت از قربانیان ضروری است. این تحقیق با استفاده از تکنیک‌های پیشرفته پردازش زبان طبیعی (NLP) و تحلیل سری‌های زمانی بیزی، رویکردی نوآورانه را برای بررسی این پدیده ارائه می‌دهد. این رویکرد امکان بررسی الگوهای زمانی آزار و اذیت سایبری، شناسایی عوامل تأثیرگذار و پیش‌بینی روندهای آتی را فراهم می‌کند.

نویسندگان و زمینه تحقیق

مقاله حاضر توسط کریستوفر پرز و سایار کارماکار نوشته شده است. نویسندگان، با تخصص در حوزه‌های مرتبط با داده‌کاوی، پردازش زبان طبیعی و علوم اجتماعی، این تحقیق را هدایت کرده‌اند. زمینه تحقیقاتی آن‌ها شامل بررسی پدیده‌های اجتماعی در فضای مجازی، تحلیل داده‌های شبکه‌های اجتماعی و توسعه روش‌های پیشرفته برای شناسایی و تحلیل رفتار آنلاین است.

این مقاله در چارچوب تحقیقات گسترده‌تر در مورد تأثیر همه‌گیری کووید-۱۹ بر رفتارهای اجتماعی و سلامت روان، و همچنین نقش رسانه‌های اجتماعی در تسهیل یا تشدید این رفتارها، قرار می‌گیرد.

چکیده و خلاصه محتوا

این مقاله، شیوع آزار و اذیت سایبری در توییتر را در طول دوران همه‌گیری کووید-۱۹ مورد بررسی قرار می‌دهد. برای این منظور، یک میلیون توییت حاوی کلمات کلیدی مرتبط با سوء استفاده و آزار و اذیت، از ابتدای سال ۲۰۱۹ تا پایان سال ۲۰۲۱، با استفاده از API توییتر جمع‌آوری شده است.

خلاصه‌ای از مراحل اصلی تحقیق به شرح زیر است:

• جمع‌آوری داده‌ها: جمع‌آوری توییت‌ها با استفاده از API توییتر و بر اساس کلمات کلیدی مرتبط با آزار و اذیت.
• پردازش زبان طبیعی: استفاده از یک مدل NLP از پیش آموزش‌دیده بر روی داده‌های توییتر، برای تعیین احتمال توهین‌آمیز یا نفرت‌انگیز بودن هر توییت.
• اصلاح داده‌ها: با توجه به محدودیت‌های نمونه‌گیری، داده‌ها با استفاده از API شمارش توییتر (count endpoint) نیز جمع‌آوری و تنظیم شدند.
• مدل‌سازی سری زمانی بیزی: استفاده از یک مدل پواسون خودرگرسیو بیزی برای بررسی روند میانگین، توابع وقفه داده‌ها و چگونگی تغییر آن‌ها در طول زمان.

نتایج این تحقیق نشان‌دهنده وجود الگوی فصلی قوی هفتگی و سالانه در سخنان نفرت‌انگیز در توییتر است. همچنین، تفاوت‌های جزئی در این الگوها در طول سال‌ها مشاهده شد که ممکن است به تأثیر همه‌گیری کووید-۱۹ نسبت داده شود.

روش‌شناسی تحقیق

یافته‌های کلیدی

نتایج این تحقیق، اطلاعات مهمی در مورد شیوع آزار و اذیت سایبری در توییتر در طول دوران همه‌گیری کووید-۱۹ ارائه می‌دهد:

• فصلی بودن: وجود الگوهای فصلی هفتگی و سالانه در سخنان نفرت‌انگیز. این الگوها نشان‌دهنده تأثیر عوامل مختلف بر شیوع آزار و اذیت سایبری است. برای مثال، افزایش فعالیت در آخر هفته‌ها یا در دوره‌های خاصی از سال.
• تأثیر همه‌گیری کووید-۱۹: شناسایی تفاوت‌های جزئی در الگوهای فصلی در طول سال‌ها که احتمالاً به تأثیرات همه‌گیری کووید-۱۹ مرتبط است. این تفاوت‌ها می‌تواند ناشی از تغییر در رفتار کاربران، افزایش استفاده از رسانه‌های اجتماعی در دوران قرنطینه یا تغییر در موضوعات مورد بحث باشد.
• روندهای زمانی: بررسی روند میانگین و نوسانات در شیوع آزار و اذیت سایبری در طول زمان. این یافته‌ها می‌توانند به شناسایی دوره‌های اوج و فرود و درک عوامل مؤثر بر این تغییرات کمک کنند.

این یافته‌ها نشان می‌دهد که آزار و اذیت سایبری یک پدیده پیچیده است که تحت تأثیر عوامل مختلفی، از جمله الگوهای زمانی، رویدادهای اجتماعی و رفتار کاربران، قرار دارد.

کاربردها و دستاوردها

این تحقیق، کاربردها و دستاوردهای متعددی دارد که به شرح زیر است:

• درک بهتر پدیده آزار و اذیت سایبری: این تحقیق، درک عمیق‌تری از الگوهای زمانی و عوامل مؤثر بر شیوع آزار و اذیت سایبری در توییتر ارائه می‌دهد.
• شناسایی دوره‌های بحرانی: امکان شناسایی دوره‌های زمانی با خطر بالای آزار و اذیت سایبری، که می‌تواند به اتخاذ اقدامات پیشگیرانه کمک کند.
• ارائه داده‌ها برای سیاست‌گذاری: ارائه اطلاعات ارزشمند برای سیاست‌گذاران و ارائه دهندگان خدمات، به منظور طراحی سیاست‌ها و راهکارهایی برای کاهش آزار و اذیت سایبری و حمایت از قربانیان.
• توسعه ابزارهای نظارت و مداخله: امکان توسعه ابزارهای خودکار برای شناسایی و گزارش توییت‌های توهین‌آمیز و ارائه خدمات حمایتی به قربانیان.
• پیش‌بینی روندهای آتی: استفاده از مدل‌های سری زمانی برای پیش‌بینی روندهای آتی در شیوع آزار و اذیت سایبری، که می‌تواند به برنامه‌ریزی و تخصیص منابع کمک کند.

به طور کلی، این تحقیق می‌تواند به بهبود سلامت روان و رفاه افراد در فضای مجازی کمک کند و محیطی امن‌تر و محترمانه‌تر در توییتر ایجاد کند.

نتیجه‌گیری

این مقاله، یک مطالعه جامع در مورد شیوع آزار و اذیت سایبری در توییتر در دوران همه‌گیری کووید-۱۹ ارائه می‌دهد. با استفاده از تکنیک‌های پیشرفته پردازش زبان طبیعی و تحلیل سری‌های زمانی بیزی، این تحقیق الگوهای پیچیده و عوامل مؤثر بر این پدیده را شناسایی کرده است. یافته‌ها نشان می‌دهد که آزار و اذیت سایبری تحت تأثیر الگوهای فصلی، رویدادهای اجتماعی و رفتار کاربران قرار دارد.

این تحقیق، درک عمیق‌تری از این پدیده را فراهم می‌کند و اطلاعات ارزشمندی را برای سیاست‌گذاران، ارائه دهندگان خدمات و محققان فراهم می‌کند. نتایج این تحقیق، می‌تواند به اتخاذ اقدامات پیشگیرانه، توسعه ابزارهای نظارت و حمایت از قربانیان کمک کند.

در نهایت، این تحقیق بر اهمیت توجه به تأثیر همه‌گیری کووید-۱۹ بر رفتار در فضای مجازی و نیاز به تلاش‌های مستمر برای ایجاد یک محیط امن‌تر و محترمانه‌تر در شبکه‌های اجتماعی تأکید می‌کند. تحقیقات آینده می‌توانند بر بررسی عوامل دیگر تأثیرگذار بر آزار و اذیت سایبری، از جمله نقش محتوای تولید شده توسط کاربران و تأثیر پلتفرم‌های مختلف رسانه‌های اجتماعی، متمرکز شوند.