A Multi-Lingual Cyberbullying Detection and Blockchain-Integrated Privacy-Preserving Federated Learning Framework
यह शोध पत्र एक गोपनीयता-संरक्षण, ब्लॉकचेन-एकीकृत फेडेरेटेड लर्निंग फ्रेमवर्क प्रस्तावित करता है जो डेटा सुरक्षा और उपयोगकर्ता गोपनीयता सुनिश्चित करते हुए अंग्रेजी, बांग्ला और बांग्लिश में बहुभाषी साइबर बुलिंग का पता लगाने के लिए एनएलपी (NLP) और डीप लर्निंग मॉडल, विशेष रूप से BiLSTM का उपयोग करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि इंटरनेट एक विशाल, हलचल भरे डिजिटल खेल के मैदान की तरह है जहाँ अरबों लोग हर सेकंड चैट करते हैं, मीम्स साझा करते हैं और कहानियाँ सुनाते हैं। यह जुड़ाव का एक स्थान है, लेकिन किसी भी खेल के मैदान की तरह, यहाँ भी कुछ धौंस जमाने वाले (बुलिज़) हैं। ये केवल झूलों पर दूसरों को धक्का देने वाले बच्चे नहीं हैं; ये ऑनलाइन परेशान करने वाले लोग हैं जो लोगों को छोटा, डरा हुआ या क्रोधित महसूस कराने के लिए दर्जनों अलग-अलग भाषाओं में अपमानजनक शब्दों का उपयोग करते हैं। वर्षों से, वैज्ञानिकों ने इस बुरे व्यवहार को पहचानने के लिए "डिजिटल सुरक्षा गार्ड" (एल्गोरिदम) बनाने की कोशिश की है। आमतौर पर, ये गार्ड सभी चैट लॉग्स को एक विशाल, केंद्रीय तिजोरी में इकट्ठा करके अध्ययन करते हैं। लेकिन समस्या यह है कि सभी की निजी बातचीत को एक बड़ी तिजोरी में रखना जोखिम भरा है। यदि तिजोरी हैक हो जाती है, या यदि कोई चुपके से झाँक लेता है, तो सभी के रहस्य उजागर हो सकते हैं। इसे ठीक करने के लिए, शोधकर्ता अब दो नए उपकरणों की खोज कर रहे हैं: फेडरेटेड लर्निंग (Federated Learning), जो ऐसा है जैसे छात्रों को परीक्षा के लिए अपने घरों में ही पढ़ाई करने देना और केवल अपने उत्तर (नोट्स नहीं) शिक्षक के साथ साझा करना, और ब्लॉकचेन (Blockchain), जो एक अटूट, सार्वजनिक बहीखाता के रूप में कार्य करता है जो प्रक्रिया के हर चरण को रिकॉर्ड करता है ताकि कोई भी इतिहास को बदल या परिवर्तित न कर सके। बड़ा सवाल यह है: क्या हम एक सुपर-स्मार्ट बुली डिटेक्टर बना सकते हैं जो निजी संदेशों को देखे बिना कई अलग-अलग भाषाओं से सीख सके, जबकि सीखने की एक सुरक्षित, छेड़छाड़-मुक्त रिकॉर्ड बनाए रखे?
यह शोध पत्र एक चतुर नए सिस्टम को पेश करता है जो बिल्कुल यही करने की कोशिश करता है। लेखकों ने, जो बांग्लादेश यूनिवर्सिटी ऑफ बिजनेस एंड टेक्नोलॉजी के एक दल से हैं, एक ढांचा तैयार किया है जिसे तीन विशिष्ट प्रकार के टेक्स्ट में साइबर बुलिंग को पकड़ने के लिए डिज़ाइन किया गया है: अंग्रेजी, बांग्ला (बांग्लादेश की भाषा), और "बिंग्लिश" (दोनों का एक मज़ेदार मिश्रण)। सारा डेटा एक केंद्रीय सर्वर चुराने के बजाय, उन्होंने फेडरेटेड लर्निंग का उपयोग किया। कल्पना कीजिए कि एक कक्षा जहाँ प्रत्येक छात्र के पास सोशल मीडिया पोस्ट की अपनी निजी नोटबुक है। शिक्षक (केंद्रीय सर्वर) हर छात्र को एक "स्मार्ट मस्तिष्क" (एक कंप्यूटर मॉडल) भेजता है। प्रत्येक छात्र अपने निजी नोटबुक पर इस मस्तिष्क को प्रशिक्षित करता है, जिससे वह अपमानजनक शब्दों को पहचानना सीखता है, लेकिन वे अपना नोटबुक शिक्षक या अन्य छात्रों को कभी नहीं दिखाते। वे केवल सीखे गए सबक (अपडेटेड मैथ वेट्स) को शिक्षक के पास वापस भेजते हैं। फिर शिक्षक इन सभी पाठों को मिलाकर एक सुपर-स्मार्ट ग्लोबल ब्रेन बनाता है जो तीनों भाषाओं में बुलिंग को पहचानने का तरीका जानता है, और यह सब करते हुए प्रत्येक छात्र के निजी डेटा को उनकी अपनी जेबों में सुरक्षित रखता है।
यह सुनिश्चित करने के लिए कि इस प्रक्रिया के दौरान कोई भी पाठों को बदलने या बदलने की कोशिश न करे, टीम ने ब्लॉकचेन तकनीक को जोड़ा है। इसे एक जादुई, अमिट डायरी के रूप में सोचें जहाँ हर बार जब कोई छात्र अपने पाठ भेजता है, तो एक नया पृष्ठ जोड़ा जाता है। यह पृष्ठ एक विशेष डिजिटल सील (SHA-256 हैशिंग) के साथ लॉक किया जाता है और एक पहेली सुलझाने वाले खेल (प्रूफ-ऑफ-वर्क) द्वारा सत्यापित किया जाता है। यदि कोई नकली पाठ डालने या पिछले प्रविष्टि को बदलने की कोशिश करता है, तो पूरी श्रृंखला टूट जाती है, और सिस्टम को पता चल जाता है कि कुछ गलत हुआ है। यह सुनिश्चित करता है कि प्रशिक्षण प्रक्रिया पारदर्शी और सुरक्षित है।
शोधकर्ताओं ने चार अलग-अलग "मस्तिष्कों" का परीक्षण किया यह देखने के लिए कि इस काम के लिए कौन सा सबसे अच्छा है: BiLSTM, LSTM, Random Forest, और XGBoost। उन्होंने 2023 और 2025 के बीच एकत्र किए गए 21,204 सोशल मीडिया पोस्ट का उपयोग करके प्रयोग चलाए। परिणाम स्पष्ट थे: BiLSTM मॉडल चैंपियन था। इसने अंतिम परीक्षण में 98.43% की शानदार सटीकता हासिल की, जिसका अर्थ है कि इसने लगभग हर बार बुलिंग की सही पहचान की। LSTM मॉडल 94.43% सटीकता के साथ दूसरे स्थान पर आया, उसके बाद XGBoost 93.20% के साथ, और Random Forest 81.76% के साथ पीछे रह गया। शोध पत्र सुझाव देता है कि BiLSTM मॉडल इसलिए जीता क्योंकि यह एक साथ दो दिशाओं में टेक्स्ट पढ़ सकता है—एक विशिष्ट वाक्यांश के पहले और बाद के शब्दों को देखकर पूर्ण संदर्भ को समझना, जो जटिल, मिश्रित-भाषा वाले अपमान को पकड़ने के लिए महत्वपूर्ण है।
हालाँकि यह सिस्टम इन परीक्षणों में अविश्वसनीय रूप से अच्छा काम कर रहा था, लेखक सावधानीपूर्वक नोट करते हैं कि यह कोई जादुई छड़ी नहीं है जो सब कुछ तुरंत हल कर देती है। वे बताते हैं कि इस उच्च स्तर की सुरक्षा और बुद्धिमत्ता के साथ एक लागत भी आती है: इसके लिए बहुत अधिक कंप्यूटिंग पावर और उपकरणों के बीच संचार की आवश्यकता होती है। शोध पत्र सुझाव देता है कि जबकि यह ढांचा भविष्य के लिए एक मजबूत और सुरक्षित समाधान है, शोधकर्ताओं को इन मॉडलों के हल्के, तेज़ संस्करण खोजने की आवश्यकता हो सकती है ताकि वे इंटरनेट को धीमा किए बिना रोजमर्रा के उपकरणों पर सुचारू रूप से चल सकें। अंततः, अध्ययन यह सिद्ध करता है कि हम एक ऐसा बुली डिटेक्टर बना सकते हैं जो न केवल अविश्वसनीय रूप से स्मार्ट है बल्कि उपयोगकर्ता की गोपनीयता की रक्षा करने के लिए भी कट्टर है, बिना एक के लिए दूसरे का बलिदान दिए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।