Зерттеудің мақсаты – цифрлық коммуникациялардағы мәтіндік деректерден кибербуллинг белгілерін автоматты түрде анықтайтын терең оқыту әдістерінің тиімділігін салыстыру және неғұрлым нәтижелі нейрондық архитектураны айқындау. Кибербуллинг ақпараттық қоғамдағы өзекті әлеуметтік-психологиялық мәселелердің бірі болып табылады және әсіресе жасөспірімдер мен жастардың психоэмоциялық жағдайына кері әсер етеді. Әлеуметтік желілер мен онлайн-платформалардағы мәтіндік контент көлемінің өсуі қорлау, агрессия және қоқан-лоққы сипатындағы хабарламаларды ерте анықтайтын автоматтандырылған жүйелерді әзірлеуді талап етеді.

Зерттеу барысында таңбаланған мәтіндер корпусы негізінде көпқабатты персептрон (MLP), конволюциялық нейрондық желі (CNN), рекуррентті нейрондық желі (RNN), қысқа және ұзақ мерзімді жад желісі (LSTM), сондай-ақ назар аудару механизмі бар терең нейрондық модель зерттелді. Модельдердің сапасы дәлдік, толықтық, оң болжамдардың дәлдігі және F1 өлшемі бойынша бағаланды. Нәтижелер MLP моделінің күрделі контекстік байланыстарды ескеруде шектеулі екенін, CNN архитектурасының жергілікті тілдік үлгілерді тиімді анықтайтынын, ал RNN және LSTM модельдерінің сөздер реттілігі мен ұзақ мерзімді тәуелділіктерді жақсы өңдейтінін көрсетті. Ең жоғары жіктеу сапасын назар аудару механизмі бар модель көрсетті, себебі ол агрессия, қорқыту және қорлау белгілері бар маңызды мәтін фрагменттеріне басымдық береді.

Зерттеу нәтижелері модельдердің тиімділігі таңбаланған деректердің сапасы мен теңгерімділігіне тәуелді екенін көрсетті. Мәтінді алдын ала өңдеу, сөздерді біріздендіру және токендеу оқыту сапасын арттырды. Ұсынылған модельдерді нақты онлайн ортада қолдану үшін оларды жаңа деректер негізінде жүйелі түрде қайта оқыту қажет. Алгоритмдерді қазақ тілінің морфологиялық және семантикалық ерекшеліктеріне бейімдеу отандық цифрлық кеңістікті мониторингтеу сапасын жоғарылатады. Болашақта трансформерлік архитектураларды, көптілді деректер жиындарын және түсіндірілетін жасанды интеллект әдістерін пайдалану жоспарланады. Алынған нәтижелер кибербуллингті ерте анықтау және алдын алу жүйелерін жетілдіруде қолданылуы мүмкін.

АБДРАХМАНОВ Р.Б.

Техника ғылымдарының кандидаты, доцент, Халықаралық туризм және меймандостық университеті, Түркістан қ., Қазақстан

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

КЕРІМХАН Б.Т.

PhD, «Компьютерлік және программалық инженерия» кафедрасының аға оқытушысы, Л.Н. Гумилев атындағы Еуразия ұлттық университеті, Астана қ., Қазақстан

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

КАСЫМБЕКОВ А.С.

Техника ғылымдарының кандидаты, доцент, Халықаралық туризм және меймандостық университеті, Түркістан қ., Қазақстан

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

ИСКАКОВ Т.Б.

PhD, доцент, Халықаралық туризм және меймандостық университеті, Түркістан қ., Қазақстан

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

УКСИКБАЕВ Е.З.

Магистр, Қ.А.Ясауи атындағы Халықаралық қазақ-түрік университеті, Түркістан қ., Қазақстан

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, терең оқыту, нейрондық желілер, табиғи тілді өңдеу, мәтінді жіктеу, назар аудару механизмі