A Multi-Lingual Cyberbullying Detection and Blockchain-Integrated Privacy-Preserving Federated Learning Framework
تقترح هذه الورقة إطار عمل للتعلم الاتحادي مدمجاً بتقنية البلوكشين ومحافظاً على الخصوصية، يستخدم معالجة اللغات الطبيعية ونماذج التعلم العميق، ولا سيما نموذج (BiLSTM)، للكشف عن التنمر السيبراني متعدد اللغات باللغات الإنجليزية والبنغالية والبنغليزية (Banglish) مع ضمان أمن البيانات وخصوصية المستخدم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل الإنترنت كأنه ساحة لعب رقمية ضخمة وصاخبة، حيث يتحدث مليارات الأشخاص، ويتشاركون "الميمز"، ويروون القص القصص في كل ثانية. إنه مكان للتواصل، ولكن مثل أي ساحة لعب، يوجد فيه متنمرون. هؤلاء ليسوا مجرد أطفال يدفعون الآخرين عن الأراجيح؛ بل هم متحرشون عبر الإنترنت يستخدمون كلمات جارحة بعشرات اللغات المختلفة لجعل الناس يشعرون بالصغر أو الخوف أو الغضب. لسنوات، حاول العلماء بناء "حراس أمن رقميين" (خوارزميات) لرصد هذا السلوك السيئ. عادةً ما يعمل هؤلاء الحراس من خلال جمع جميع سجلات الدردشة في خزنة مركزية ضخمة لدراستها. ولكن تكمن المشكلة هنا: وضع جميع محادثات الناس الخاصة في خزنة واحدة كبيرة أمر محفوف بالمخاطر. فإذا تم اختراق الخزنة، أو إذا تسلل شخص ما لإلقاء نظرة، ستنكشف أسرار الجميع. ولإصلاح ذلك، يستكشف الباحثون الآن أداتين جديدتين: "التعلم الاتحادي" (Federated Learning)، وهو يشبه السماح للطلاب بالدراسة لاختبار ما في منازلهم الخاصة ومشاركة إجاباتهم فقط (وليس ملاحظاتهم) مع المعلم، و"البلوكشين" (Blockchain)، الذي يعمل كسجل عام غير قابل للكسر يسجل كل خطوة من العملية بحيث لا يمكن لأحد تعديل أو تغيير التاريخ. السؤال الكبير هو: هل يمكننا بناء كاشف متنمرين فائق الذكاء يتعلم من لغات مختلفة دون أن يرى الرسائل الخاصة أبداً، مع الحفاظ على سجل آمن وغير قابل للتلاعب لكيفية تعلمه؟
تقدم هذه الورقة البحثية نظاماً ذكياً يحاول القيام بذلك تماماً. قام المؤلفون، وهم فريق من جامعة بنغلاديش للأعمال والتكنولوجيا، ببناء إطار عمل مصمم لكشف التنمر الإلكتروني في ثلاثة أنواع محددة من النصوص: الإنجليزية، والبنغالية (لغة بنغلاديش)، و"البنغلش" (مزيج ممتع من كليهما). وبدلاً من سرقة جميع البيانات إلى خادم مركزي، استخدموا "التعلم الاتحادي". تخيل فصلاً دراسياً حيث يمتلك كل طالب دفتر ملاحظات خاص به يحتوي على منشورات وسائل التواصل الاجتماعي. يقوم المعلم (الخادم المركزي) بإرسال "عقل ذكي" (نموذج حاسوبي) إلى كل طالب. يقوم كل طالب بتدريب هذا العقل على دفتر ملاحظاته الخاص، ليتعلم كيفية رصد الكلمات المسيئة، لكنهم لا يظهرون دفاتر ملاحظاتهم للمعلم أو للطلاب الآخرين أبداً. إنهم يرسلون فقط "الدروس المستفادة" (أوزان رياضية محدثة) إلى المعلم. ثم يقوم المعلم بدمج كل هذه الدروس لإنشاء عقل عالمي فائق الذكاء يعرف كيفية رصد التنمر في جميع هذه اللغات الثلاث، مع الحفاظ على خصوصية بيانات كل طالب داخل جيوبه الخاصة.
ولضمان عدم محاولة أي شخص تعديل أو استبدال الدروس أثناء هذه العملية، أضاف الفريق تقنية "البلوكشين". فكر في هذا كأنه مذكرات سحرية غير قابلة للمحو، حيث يتم إضافة صفحة جديدة في كل مرة يرسل فيها الطالب دروسه. هذه الصفحة مغلقة بختم رقمي خاص (تجزئة SHA-256) ويتم التحقق منها من خلال لعبة حل الألغاز (إثبات العمل - Proof-of-Work). إذا حاول شخص ما إدخال درس مزيف أو تغيير مدخل سابق، سينكسر السلسلة بأكملها، وسيعرف النظام أن هناك خطأ ما. وهذا يضمن أن تكون عملية التدريب شفافة وآمنة.
اختبر الباحثون أربعة "أدمغة" مختلفة لمعرفة أيهم الأفضل في هذه المهمة: BiLSTM، وLSTM، وRandom Forest، وXGBoost. أجروا تجارب باستخدام 21,204 منشوراً من وسائل التواصل الاجتماعي تم جمعها بين عامي 2023 و2025. وكانت النتائج واضحة: نموذج BiLSTM كان البطل. فقد حقق دقة مذهلة بلغت 98.43% في الاختبار النهائي، مما يعني أنه حدد التنمر بشكل صحيح في كل مرة تقريباً. وجاء نموذج LSTM في المرتبة الثانية بدقة 94.43%، يليه XGBoost بدقة 93.20%، وتذيل القائمة Random Forest بدقة 81.76%. وتشير الورقة إلى أن نموذج BiLSTM قد فاز لأنه يستطيع قراءة النص في اتجاهين في آن واحد — حيث ينظر إلى الكلمات التي تسبق والتي تلي عبارة معينة لفهم السياق الكامل، وهو أمر بالغ الأهمية لرصد الإهانات المعقدة والمختلطة اللغات.
بينما عمل النظام بشكل جيد للغاية في هذه الاختبارات، يلاحظ المؤلفون بحذر أنه ليس عصا سحرية تحل كل شيء فوراً. فهم يشيرون إلى أن هذا المستوى العالي من الأمن والذكاء يأتي بتكلفة: فهو يتطلب الكثير من القدرة الحوسبية والتواصل بين الأجهزة. وتقترح الورقة أنه بينما يعد إطار العمل هذا حلاً قوياً وآمناً للمستقبل، فقد يحتاج الباحثون إلى إيجاد نسخ أخف وأسرع من هذه النماذج لجعلها تعمل بسلاسة على الأجهزة اليومية دون إبطاء الإنترنت. في النهاية، تثبت الدراسة أنه يمكننا بناء كاشف للمتنمرين يكون ذكياً للغاية وحامياً بشدة لخصوصية المستخدم، دون الحاجة إلى التضحية بواحدة من أجل الأخرى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.