A Multi-Lingual Cyberbullying Detection and Blockchain-Integrated Privacy-Preserving Federated Learning Framework
Dieses Paper schlägt ein datenschutzwahrendes, Blockchain-integriertes Federated-Learning-Framework vor, das NLP und Deep-Learning-Modelle, insbesondere BiLSTM, nutzt, um mehrsprachiges Cyberbullying in Englisch, Bangla und Banglish zu erkennen, während gleichzeitig Datensicherheit und Nutzerprivatsphäre gewährleistet werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet als einen riesigen, belebten digitalen Spielplatz vor, auf dem Milliarden von Menschen jede Sekunde chatten, Memes teilen und Geschichten erzählen. Es ist ein Ort der Verbindung, aber wie jeder Spielplatz hat auch er Mobber. Dies sind nicht nur Kinder, die andere auf den Schaukeln schubsen; es sind Online-Belästiger, die verletzende Worte in Dutzenden verschiedener Sprachen verwenden, um Menschen klein, verängstigt oder wütend zu machen. Seit Jahren versuchen Wissenschaftler, „digitale Sicherheitskräfte“ (Algorithmen) zu bauen, um dieses schlechte Verhalten zu erkennen. Normalerweise arbeiten diese Wächter, indem sie alle Chat-Protokolle in einem einzigen riesigen, zentralen Tresor sammeln, um sie zu studieren. Aber hier ist der Haken: Alle privaten Gespräche in einen einzigen großen Tresor zu legen, ist riskant. Wenn der Tresor gehackt wird oder jemand einen Blick hineinwagt, werden alle Geheimnisse preisgegeben. Um dies zu beheben, erforschen Forscher nun zwei neue Werkzeuge: Federated Learning, was so ist, als ließen Schüler für eine Prüfung in ihren eigenen Häusern lernen und nur ihre Antworten (nicht ihre Notizen) mit dem Lehrer teilen, und Blockchain, die als ein unzerbrechliches, öffentliches Kontobuch fungiert, das jeden Schritt des Prozesses aufzeichnet, damit niemand die Geschichte ändern oder manipulieren kann. Die große Frage ist: Können wir einen superintelligenten Mobber-Detektor bauen, der aus vielen verschiedenen Sprachen lernt, ohne jemals die privaten Nachrichten zu sehen, während er gleichzeitig ein sicheres, manipulationsgeschütztes Protokoll darüber führt, wie er gelernt hat?
Dieses Paper stellt ein kluges neues System vor, das genau das zu versuchen gebt. Die Autoren, ein Team der Bangladesh University of Business and Technology, haben ein Framework entwickelt, das Cybermobbing in drei spezifischen Arten von Texten aufspürt: Englisch, Bangla (die Sprache von Bangladesch) und „Banglish“ (eine lustige Mischung aus beiden). Anstatt alle Daten auf einen zentralen Server zu stehlen, haben sie Federated Learning eingesetzt. Stellen Sie sich ein Klassenzimmer vor, in dem jeder Schüler sein eigenes privates Notizbuch mit Social-Media-Posts besitzt. Der Lehrer (der zentrale Server) schickt ein „smartes Gehirn“ (ein Computermodell) zu jedem Schüler. Jeder Schüler trainiert dieses Gehirn auf seinem eigenen privaten Notizbuch und lernt, gemeine Wörter zu erkennen, aber er zeigt dem Lehrer oder den anderen Schülern niemals sein Notizbuch. Er schickt nur die „gelernten Lektionen“ (aktualisierte mathematische Gewichte) an den Lehrer zurück. Der Lehrer kombt dann all diese Lektionen, um ein superintelligentes globales Gehirn zu erschaffen, das weiß, wie man Mobbing in allen drei Sprachen erkennt, während es die privaten Daten jedes Schülers sicher in dessen eigener Tasche bewahrt.
Um sicherzustellen, dass niemand versucht, die Lektionen während dieses Prozesses zu verändern oder auszutauschen, hat das Team die Blockchain-Technologie hinzugefügt. Denken Sie an dies als ein magisches, unlöschbares Tagebuch, in dem jedes Mal, wenn ein Schüler seine Lektionen einsendet, eine neue Seite hinzugefügt wird. Diese Seite wird mit einem speziellen digitalen Siegel (SHA-256-Hashing) verschlossen und durch ein Rätsellösungsspiel (Proof-of-Work) verifiziert. Wenn jemand versucht, eine gefälschte Lektion einzuschleusen oder einen vergangenen Eintrag zu ändern, bricht die gesamte Kette und das System weiß, dass etwas nicht stimmt. Dies stellt sicher, dass der Trainingsprozess transparent und sicher ist.
Die Forscher testeten vier verschiedene „Gehirne“, um zu sehen, welches am besten für diese Aufgabe geeignet ist: BiLSTM, LSTM, Random Forest und XGBoost. Sie führten Experimente mit 21.204 Social-Media-Posts durch, die zwischen 2023 und 2025 gesammelt wurden. Die Ergebnisse waren eindeutig: Das BiLSTM-Modell war der Champion. Es erreichte eine beeindruckende Genauigkeit von 98,43 % im Abschlusstest, was bedeutet, dass es Mobbing fast jedes Mal korrekt identifizierte. Das LSTM-Modell belegte den zweiten Platz mit einer Genauigkeit von 94,43 %, gefolgt von XGBoost mit 93,20 %, während Random Forest mit 81,76 % zurücklag. Das Paper legt nahe, dass das BiLSTM-Modell gewann, weil es Text gleichzeitig in zwei Richtungen lesen kann – indem es sowohl die Wörter vor als auch nach einer bestimmten Phrase betrachtet, um den vollen Kontext zu verstehen, was entscheidend ist, um knifflige, gemischte Beleidigungen zu entlarven.
Obwohl das System in diesen Tests unglaublich gut funktionierte, geben die Autoren vorsichtig zu bedenken, dass es kein Zauberstab ist, der alles sofort löst. Sie weisen darauf hin, dass dieses hohe Maß an Sicherheit und Intelligenz mit einem Preis verbunden ist: Es erfordert viel Rechenleistung und Kommunikation zwischen den Geräten. Das Paper schlägt vor, dass Forscher, während dieses Framework eine robuste und sichere Lösung für die Zukunft ist, eventuell leichtere, schnellere Versionen dieser Modelle finden müssen, um sie reibungslos auf alltäglichen Geräten laufen zu lassen, ohne das Internet zu verlangsamen. Letztendlich beweist die Studie, dass wir einen Mobber-Detektor bauen können, der sowohl unglaublich intelligent als auch erbittert schützend gegenüber der Privatsphäre der Nutzer ist, ohne dass wir eines für das andere opfern müssen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.