Цель исследования — сравнить эффективность методов глубокого обучения, предназначенных для автоматического выявления признаков кибербуллинга в текстовых данных цифровых коммуникаций, и определить наиболее эффективную нейронную архитектуру. Кибербуллинг является одной из актуальных социально-психологических проблем информационного общества и оказывает негативное влияние на психоэмоциональное состояние пользователей, особенно подростков и молодежи. Увеличение объема текстового контента в социальных сетях и на онлайн-платформах требует разработки автоматизированных систем, способных своевременно выявлять сообщения, содержащие оскорбления, агрессию и угрозы.

В ходе исследования на основе корпуса размеченных текстов были рассмотрены многослойный персептрон (MLP), сверточная нейронная сеть (CNN), рекуррентная нейронная сеть (RNN), сеть долгой краткосрочной памяти (LSTM), а также глубокая нейронная модель с механизмом внимания. Качество моделей оценивалось по показателям точности, полноты, точности положительных прогнозов и F1-мере. Результаты показали, что модель MLP обладает ограниченными возможностями при учете сложных контекстных связей, архитектура CNN эффективно выявляет локальные языковые шаблоны, а модели RNN и LSTM лучше обрабатывают последовательность слов и долгосрочные зависимости. Наивысшее качество классификации продемонстрировала модель с механизмом внимания, поскольку она придает больший вес значимым фрагментам текста, содержащим признаки агрессии, запугивания и оскорбления.

Результаты исследования показали, что эффективность моделей зависит от качества и сбалансированности размеченных данных. Предварительная обработка текста, нормализация слов и токенизация способствовали повышению качества обучения. Для применения предложенных моделей в реальной онлайн-среде необходимо регулярно переобучать их на новых данных. Адаптация алгоритмов к морфологическим и семантическим особенностям казахского языка позволит повысить качество мониторинга отечественного цифрового пространства. В дальнейшем планируется использовать трансформерные архитектуры, многоязычные наборы данных и методы объяснимого искусственного интеллекта. Полученные результаты могут применяться для совершенствования систем раннего выявления и предотвращения кибербуллинга.

АБДРАХМАНОВ Р.Б.

Кандидат технических наук, доцент, Международный университет туризма и гостеприимства, г. Туркестан, Казахстан

E-mail: abdrakhmanov.rustam@iuth.edu.kz, https://orcid.org/0000-0002-5508-389X

КЕРІМХАН Б.Т.

PhD, старший преподаватель кафедры компьютерной и программной инженерии, Евразийский национальный университет имени Л.Н. Гумилёва, г. Астана, Казахстан

E-mail: bek_zhan_16@mail.ru, https://orcid.org/0000-0002-8480-7316

КАСЫМБЕКОВ А.С.

Кандидат технических наук, доцент, Международный университет туризма и гостеприимства, г. Туркестан, Казахстан

E-mail: abbazbek@mail.ru, https://orcid.org/0000-0001-8022-5637

ИСКАКОВ Т.Б.

PhD, доцент, Международный университет туризма и гостеприимства, г. Туркестан, Казахстан

E-mail: t.iskakov@iuth.edu.kz, https://orcid.org/0000-0002-7499-9297

УКСИКБАЕВ Е.З.

Магистр, Международный казахско-турецкий университет имени Ходжи Ахмеда Ясави, г. Туркестан, Казахстан

E-mail: erkebulan.uxikbayev@ayu.edu.kz, https://orcid.org/0009-0003-3868-6773

1. Alsubait T., Alfageh D. Comparison of machine learning techniques for cyberbullying detection on YouTube Arabic comments // International Journal of Computer Science and Network Security, — 2021. — Vol. 21, no. 1. — P. 1–5. — URL: https://koreascience.kr/article/JAKO202121055656002.page
2. Dewani M., Memon M., Bhatti, S. Cyberbullying detection: Advanced preprocessing techniques & deep learning architecture for Roman Urdu data. Journal of Big Data, — 2021. — Vol. 8. — Art. 160. — DOI: 10.1186/s40537-021-00550-7.
3. Hall D., Silva Y., Wheeler Y., Cheng L., Baumel, K. Harnessing the power of interdisciplinary research with psychology-informed cyberbullying detection models. // International Journal of Bullying Prevention. — 2022. — Vol. 4, no. 1. — P. 47–54. — DOI: 10.1007/s42380-021-00107-5.
4. Arce-Ruelas K. I., Alvarez-Xochihua O., Pellegrin L., Cardoza-Avendaño L., González-Fraga J. Á. // Automatic cyberbullying detection: A Mexican case in high school and higher education students. IEEE Latin America Transactions. — 2022. — Vol. 20, no. 5. — P. 770–779. — URL: https://latamt.ieeer9.org/index.php/transactions/article/view/5934
5. Ahmed T., Rahman M., Nur S., Islam, A., Das, D. Natural language processing and machine learning based cyberbullying detection for Bangla and romanized Bangla texts. // TELKOMNIKA (Telecommunication Computing Electronics and Control). — 2022. — Vol. 20, no. 1. — P. 89–97. — DOI: 10.12928/TELKOMNIKA.v20i1.18630.
6. Omarov A., Tursynova A., Postolache O., Gamry K., Batyrbekov, A., et al. Modified UNet model for brain stroke lesion segmentation on computed tomography images. // Computers, Materials & Continua. — 2022. — Vol. 71, no. 3. — P. 4701–4717. — DOI: 10.32604/cmc.2022.020998.
7. Al-Marghilani. Artificial intelligence-enabled cyberbullying-free online social networks in smart cities. // International Journal of Computational Intelligence Systems. — 2022. — Vol. 15. — Art. 9. — DOI: 10.1007/s44196-022-00063-y.
8. Theng C., Othman N., Abdullah R., Anawar S., Ayop Z., et al. Cyberbullying detection in Twitter using sentiment analysis. // International Journal of Computer Science and Network Security. — 2021. — Vol. 21, no. 11. — P. 1–10. — URL: https://koreascience.kr/article/JAKO202105254945209.do
9. Sadiq S., Mehmood A., Ullah S., Ahmad M., Choi G., et al. Aggression detection through deep neural model on Twitter. // Future Generation Computer Systems. — 2021. — Vol. 114. — P. 120–129.
10. Sarac Essiz E., Oturakci M. Artificial bee colony-based feature selection algorithm for cyberbullying. // The Computer Journal. — 2021. — Vol. 64, no. 3. — P. 305–313. — DOI: 10.1093/comjnl/bxaa066.
11. Gomez C. E., Sztainberg M. O., Trana R. E. Curating cyberbullying datasets: A human-AI collaborative approach. // International Journal of Bullying Prevention. — 2022. — Vol. 4, no. 1. — P. 35–46. — DOI: 10.1007/s42380-021-00114-6.
12. Salawu S., Lumsden J., He Y. A mobile-based system for preventing online abuse and cyberbullying. // International Journal of Bullying Prevention. — 2022. — Vol. 4, no. 1. — P. 66–88. — DOI: 10.1007/s42380-021-00115-5.
13. Mahajan E., Mahajan H., Kumar S. EnsMulHateCyb: Multilingual hate speech and cyberbully detection in online social media. // Expert Systems with Applications. — 2024. — Vol. 236. — Art. 121228. — DOI: 10.1016/j.eswa.2023.121228.
14. Jamjoom A. A., Karamti H., Umer M., Alsubai S., Kim T. H., Ashraf, I. Robertanet: Enhanced roberta transformer based model for cyberbullying detection with glove features. // IEEE Access. — 2024. — Vol. 12. — P. 58950–58959. — DOI: 10.1109/ACCESS.2024.3386637.
15. Zhang J., Wu Q., Xu Y., Cao C., Du Z., Psounis, K. Efficient toxic content detection by bootstrapping and distilling large language models. // Proceedings of the AAAI Conference on Artificial Intelligence. — 2024. — Vol. 38, no. 19. — P. 21779–21787. — DOI: 10.1609/aaai.v38i19.30178.
16. Xu M., Liu S. Rb_bg_mha: A roberta-based model with bi-gru and multi-head attention for chinese offensive language detection in social media. // Applied Sciences. — 2023. — Vol. 13, no. 19. — Art. 11000. — DOI: 10.3390/app131911000.

кибербуллинг, глубокое обучение, нейронные сети, обработка естественного языка, классификация текста, механизм внимания