Harnessing the Power of Interdisciplinary Research with Psychology-Informed Cyberbullying Detection Models
Harnessing the Power of Interdisciplinary Research with Psychology-Informed Cyberbullying Detection Models
复制标题
利用跨学科研究的力量和基于心理学的网络欺凌检测模型
DOI：
10.1007/s42380-021-00107-5
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Baumel, K.
中科院分区：
文献类型：
--
作者：
Hall, D. L.;Silva, Y. N.;Wheeler, B.;Cheng, L.;Baumel, K.
网络欺凌已经变得越来越普遍，特别是在社交媒体上。在一系列学科中，网络欺凌研究也在稳步上升。计算机科学的大部分经验工作都集中在开发用于网络欺凌检测的机器学习模型。虽然机器学习网络欺凌检测模型可以通过借鉴心理学理论和观点来改进，但机器学习模型也有巨大的潜力，有助于更好地理解网络欺凌的心理方面。在本文中，我们讨论了机器学习模型如何对网络欺凌的性质和定义特征产生新的见解，以及如何应用机器学习方法来帮助临床医生、家庭和社区减少网络欺凌。具体地说，我们讨论了机器学习模型的潜力，以揭示网络欺凌的重复性质，网络欺凌者及其受害者之间的权力失衡，以及导致网络欺凌的因果机制。我们将讨论的重点放在新出现的和未来的研究方向，以及机器学习网络欺凌检测模型的实际意义。
Cyberbullying has become increasingly prevalent, particularly on social media. There has also been a steady rise in cyberbullying research across a range of disciplines. Much of the empirical work from computer science has focused on developing machine learning models for cyberbullying detection. Whereas machine learning cyberbullying detection models can be improved by drawing on psychological theories and perspectives, there is also tremendous potential for machine learning models to contribute to a better understanding of psychological aspects of cyberbullying. In this paper, we discuss how machine learning models can yield novel insights about the nature and defining characteristics of cyberbullying and how machine learning approaches can be applied to help clinicians, families, and communities reduce cyberbullying. Specifically, we discuss the potential for machine learning models to shed light on the repetitive nature of cyberbullying, the imbalance of power between cyberbullies and their victims, and causal mechanisms that give rise to cyberbullying. We orient our discussion on emerging and future research directions, as well as the practical implications of machine learning cyberbullying detection models.
登录
查看更多内容
影响因子：
4.5
作者：
H. Nelson;G. Kendall;S. Burns;K. Schonert-Reichl;R. Kane
通讯作者：
H. Nelson;G. Kendall;S. Burns;K. Schonert-Reichl;R. Kane
时间揭示所有伤口：模拟网络欺凌的时间特征
DOI：
10.1609/icwsm.v12i1.15046
发表时间：
2018
期刊：
Telematics Informatics
影响因子：
--
作者：
Devin Soni;Vivek K. Singh
通讯作者：
Vivek K. Singh
摘要 [减少学校网络欺凌：基于国际证据的最佳实践]
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
M. Campbell;S. Bauman
通讯作者：
S. Bauman
DOI：
10.24963/ijcai.2019/808
发表时间：
2019-08
期刊：
--
影响因子：
--
作者：
Lu Cheng;Jundong Li;Yasin N. Silva;Deborah L. Hall;Huan Liu
通讯作者：
Lu Cheng;Jundong Li;Yasin N. Silva;Deborah L. Hall;Huan Liu
大五人格特征和集成机器学习检测社交媒体中的网络暴力
DOI：
--
发表时间：
2019
期刊：
影响因子：
--
作者：
Randa Zarnoufi;Mounia Abik
通讯作者：
Mounia Abik