Hate Speech Detection Method for Telegram
Yorio, Nathan Andrew |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Recenzentas / Rewiewer | |
Recenzentas / Rewiewer |
Šiuolaikinės socialinės žiniasklaidos platformos dabar veikia daug didesniu kiekiu nei jų pirmtakai. Jie turi pasilenkti su didžiuliu vyriausybės ir visuomenės spaudimu moderuoti ir peržiūrėti turinį. Tarp šių turinio formų, kurias daugumoje platformų reikia griežtai prižiūrėti, yra neapykantos kurstymas. Dauguma šių platformų atlieka tam tikro lygio automatizuotą turinio filtravimą, kad atitiktų reikalavimus, kurių reikalaujama dėl minėtų spaudimų. Telegram, kaip šios taisyklės išimtį, pasirenka dviprasmiškesnę moderavimo strategiją, kuri laukia žmogaus ar vyriausybės užklausos prieš peržiūrint turinį rankiniu būdu. Kadangi platforma kenčia nuo valdymo problemų, šioje disertacijoje siūlomas naujas dviejų metodų pritaikymas. Pirma, mašininio mokymosi modelių, išmokytų aptikti neapykantą kurstančią kalbą, naudojimas Telegram roboto kontekste. Antra, išanalizuoti neapykantą kurstančių kalbų aptikimo natūralios kalbos modelių našumą, palyginti su duomenimis, kuriais jie nebuvo mokomi. Rezultatai rodo ne tik tai, kad šis praktinis įgyvendinimas naudojant robotą yra įmanomas, bet ir tai, kad šių modelių naudojimas naujiems duomenims atskleidžia, kokį poveikį mokymo variacijos gali turėti našumui. Tai praturtina akademinį supratimą apie platformos savojo turinio aptikimo strategijas, kurios kitu atveju būtų patentuotos. Struktūra: Įvadas Literatūros analizė Projektinis pasiūlymas Įgyvendinimas Veiklos rezultatai Išvados Turinys: 81 teksto puslapis 34 pav. 17 lentelė. 70 bibliografijos nuor.
Modern social media platforms now operate at volumes far greater than their predecessors. They must bend to immense government and societal pressure to moderate and review content. Among these forms of content requiring heavy moderation by most platforms is hate speech. Most of these platforms perform some level of automated content filtering in order to meet the demands required from these aforementioned pressures. Telegram, as an exception to this rule, opts for a more ambiguous moderation strategy that awaits human or government request before content is manually reviewed. Because the platform suffers from governance issues, this thesis proposes the novel application of two methods. First, the use of machine learning models trained to detect hate speech applied in the context of a Telegram bot. Second, to analyze the performance of hate speech detection natural language models against data on which they were not trained. The results show not only that this practical implementation with a bot is possible, but also that the use of these models on novel data reveals the impact that training variation can have on performance. This enriches the academic understanding of platform native content detection strategies that would otherwise be proprietary. Structure: Introduction Literature Analysis Design Proposal Implementation Performance Results Conclusions Contents: 81 text page 34 pic. 17 table. 70 bibliography ref.