Comparative Analysis of AutoML and BiLSTM Models for Cyberbullying Detection on Indonesian Instagram Comments

Stellen Sie sich Instagram als einen riesigen, geschäftigen digitalen Marktplatz vor. Obwohl es ein Ort zum Teilen von Fotos und zum Vernetzen ist, hat es eine dunkle Seite: Cybermobbing. Dabei nutzen Menschen das Internet, um andere zu belästigen, zu bedrohen oder zu demütigen. In Indonesien ist dies ein ernstes Problem, das viele junge Menschen betrifft.

Dieser Artikel ist wie ein Detektivbericht, der herausfinden soll, wie man am besten einen „digitalen Sicherheitswächter" entwickelt, der diese böswilligen Kommentare in indonesischer Sprache automatisch erkennt, bevor sie jemanden verletzen.

Hier ist die Geschichte ihrer Ermittlung, einfach aufgeschlüsselt:

1. Die Verdächtigen (Die Daten)

Die Forscher stellten eine „Suchliste" mit 650 Instagram-Kommentaren zusammen.

• Die Quelle: Sie stammten aus den Kommentarspalten berühmter indonesischer Künstler und Influencer.
• Die Mischung: Die Liste war perfekt ausgeglichen: 325 Kommentare waren gemein (Mobbing) und 325 waren nett (Nicht-Mobbing).
• Die Herausforderung: Dies waren keine formellen Aufsätze. Sie waren chaotisch, kurz und voller Slang, Abkürzungen und Emojis – genau wie echte Jugendliche sprechen.

2. Das Reinigungsteam (Vorverarbeitung)

Bevor die Computer diese Kommentare lesen konnten, mussten sie aufgeräumt werden. Stellen Sie sich vor, Sie versuchen, ein Buch zu lesen, das in einer Sprache geschrieben ist, in der Menschen Wörter ständig falsch schreiben oder sie dehnen (wie „baaaanget" statt „banget").

Die Forscher bauten eine spezielle Reinigungsmaschine mit sechs Schritten:

1. Case Folding: Umwandlung alles in Kleinbuchstaben (damit „Hello" und „hello" gleich sind).
2. Bereinigung: Entfernen von Hashtags, Links und @Erwähnungen.
3. Slang-Normalisierung: Korrektur des Slangs (Umwandlung von „bgt" zurück zu „banget").
4. Entfernung von Stoppwörtern: Wegwerfen häufiger Wörter wie „und" oder „der", die nicht helfen, Mobbing zu identifizieren.
5. Stemming: Kürzen von Wörtern auf ihre Wurzel (Umwandlung von „running" in „run").
6. Tokenisierung: Aufteilen des Satzes in einzelne Wortteile.

Ohne diesen Schritt wären die Computer durch den chaotischen Internetslang verwirrt.

3. Die Kandidaten (Die Modelle)

Die Forscher stellten zwei verschiedene Arten von „Detektiven" gegeneinander, um zu sehen, wer die Täter am besten fängt.

Team A: Die klassischen Detektive (Machine Learning)

Dies sind die altbewährten, zuverlässigen Methoden. Sie schauen sich die Wörter an und zählen, wie oft bestimmte „böse" Wörter vorkommen.

• Naive Bayes: Ein schneller Rater, der auf Wahrscheinlichkeiten basiert.
• Logistische Regression: Ein stetiger Rechner, der eine Linie zwischen Gut und Böse zieht.
• SVM (Support Vector Machine): Ein scharfäugiger Klassifizierer, der versucht, die perfekte Grenze zwischen den beiden Gruppen zu finden.
• Werkzeug: Sie verwendeten eine Methode namens TF-IDF, die wie ein Textmarker ist, der Wörter markiert, die einzigartig und wichtig für den Satz sind.

Team B: Die tiefgründigen Denker (Deep Learning)

Dies sind die fortschrittlichen KI-Detektive, die versuchen, den Kontext und den Fluss des Satzes zu verstehen, nicht nur die Wörter.

• Bi-LSTM: Ein Modell, das den Satz gleichzeitig von links nach rechts UND von rechts nach links liest, wie beim Lesen eines Buches, während man sich gleichzeitig an das erinnert, was man gerade gelesen hat.
• Bi-LSTM + Attention: Das gleiche Modell, aber mit einem „Scheinwerfer" (Attention-Mechanismus). Dieser Scheinwerfer sagt dem Modell, dass es besonders auf die emotionalsten oder wichtigsten Wörter im Satz achten soll.

4. Die Ergebnisse: Wer hat gewonnen?

Die Forscher ließen ein Rennen laufen, um zu sehen, welches Modell die Mobbing-Kommentare korrekt identifizieren konnte.

• Der klassische Gewinner: Unter den altbewährten Detektiven war Logistische Regression der Champion. Sie lag etwa 85,25 % der Zeit richtig. Sie war schnell, effizient und benötigte keinen Supercomputer zum Laufen.
• Der Deep-Learning-Gewinner: Der Bi-LSTM mit dem „Scheinwerfer" (Attention) nahm die Gesamtkrone. Er lag etwa 84,62 % der Zeit richtig.
  • Warte, ist das nicht niedriger? Eigentlich ist es sehr nah dran! Der „Scheinwerfer" half dem Modell, die Nuancen des Mobbings besser zu verstehen als die anderen, auch wenn der rohe Prozentsatz etwas niedriger war als beim besten klassischen Modell.
  • Der Standard-Bi-LSTM (ohne den Scheinwerfer) schneidet schlechter ab (78,46 %), was beweist, dass der „Scheinwerfer" entscheidend war.

5. Das Urteil

Der Artikel schließt mit einigen wichtigen Erkenntnissen:

• Deep Learning ist der „Intelligenteste": Das Modell mit dem „Scheinwerfer" (Bi-LSTM + Attention) versteht den komplexen, chaotischen Kontext von indonesischem Slang und emotionalen Angriffen am besten.
• Machine Learning ist der „Effizienteste": Wenn Sie keinen leistungsstarken Computer haben oder etwas benötigen, das sehr schnell läuft, ist die klassische Logistische Regression eine sehr starke, praktische Wahl. Sie performte fast so gut wie die komplexe KI, ist aber viel leichter.
• Reinigung ist der Schlüssel: Die Studie betont, dass selbst die intelligenteste KI scheitern wird, wenn Sie den Slang nicht zuerst bereinigen und die Tippfehler korrigieren.

Die Einschränkungen (Das Kleingedruckte)

Die Autoren sind ehrlich über die Grenzen ihrer Studie:

• Kleine Stichprobe: Sie verwendeten nur 650 Kommentare. Es ist wie der Geschmack eines ganzen Landes in Bezug auf Musik zu beurteilen, basierend auf einer Umfrage bei 650 Personen. Ein größerer Datensatz würde die Ergebnisse zuverlässiger machen.
• Spezifische Quelle: Alle Kommentare stammten von den Seiten berühmter Künstler. Mobbing könnte auf den Seiten einer normalen Person anders aussehen.
• Einfache Labels: Sie kennzeichneten Kommentare nur als „Mobbing" oder „Kein Mobbing". Sie unterteilten sie nicht weiter (z. B. „Body Shaming" vs. „Hassrede").

Kurz gesagt: Um Cybermobber in indonesischen Instagram-Kommentaren zu fangen, brauchen Sie zuerst ein gutes Reinigungsteam. Dann können Sie je nach verfügbarer Rechenleistung zwischen einem schnellen, zuverlässigen klassischen Detektiv (Logistische Regression) oder einer hochintelligenten, kontextbewussten KI mit Scheinwerfer (Bi-LSTM + Attention) wählen.