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
روششناسی این تحقیق، ترکیبی از تکنیکهای پردازش زبان طبیعی و تحلیل سریهای زمانی بیزی است. این رویکرد، امکان شناسایی الگوهای پیچیده و درک عوامل مؤثر بر شیوع آزار و اذیت سایبری را فراهم میکند. مراحل اصلی تحقیق به شرح زیر است:
- جمعآوری دادهها:
دادههای توییتر با استفاده از API توییتر و جستجوی کلمات کلیدی مرتبط با آزار و اذیت و سوء استفاده جمعآوری شد. بازه زمانی مورد بررسی، از ابتدای سال ۲۰۱۹ تا پایان سال ۲۰۲۱ بود. این بازه، دوران قبل، حین و پس از اوج همهگیری کووید-۱۹ را شامل میشود.
- پردازش زبان طبیعی (NLP):
یک مدل NLP از پیش آموزشدیده بر روی دادههای توییتر، برای ارزیابی احساسات و شناسایی توییتهای توهینآمیز و نفرتانگیز استفاده شد. این مدل، برای هر توییت، احتمال تعلق آن به دستههای مذکور را محاسبه میکند. استفاده از مدلهای NLP، امکان خودکارسازی فرآیند شناسایی توییتهای آزاردهنده را فراهم میکند، که در مقیاس وسیع، بسیار کارآمد است.
- اصلاح دادهها و مقابله با محدودیتهای نمونهگیری:
برای غلبه بر محدودیتهای نمونهگیری که در API جستجوی توییتر وجود دارد، از API شمارش (count endpoint) نیز استفاده شد. تعداد توییتهای جمعآوریشده در هر روز، با نسبت توییتهای آزاردهنده شناساییشده توسط مدل NLP، تنظیم شد. این فرآیند، دقت تخمینهای مربوط به شیوع آزار و اذیت سایبری را بهبود بخشید.
- مدلسازی سری زمانی بیزی:
یک مدل پواسون خودرگرسیو بیزی برای تحلیل سریهای زمانی شیوع آزار و اذیت سایبری استفاده شد. این مدل، امکان بررسی الگوهای زمانی، شناسایی تأثیرات وقفه (lag effects) و پیشبینی روندهای آتی را فراهم میکند. استفاده از رویکرد بیزی، امکان ادغام اطلاعات پیشین و برآورد عدم قطعیت در نتایج را فراهم میسازد.
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.