💬 NLP

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

Questo studio valuta e confronta modelli di machine learning e deep learning per il rilevamento del cyberbullismo nei commenti di Instagram in lingua indonesiana, rilevando che, sebbene il BiLSTM con meccanismi di attenzione raggiunga le prestazioni complessive più elevate, la regressione logistica rimane un'alternativa competitiva ed efficiente dal punto di vista delle risorse.

Autori originali: Raihana Adelia Putri, Aisyah Musfirah, Anggi Puspita Ningrum, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang

Pubblicato 2026-04-30

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Raihana Adelia Putri, Aisyah Musfirah, Anggi Puspita Ningrum, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina Instagram come una vasta e animata piazza digitale. Sebbene sia un luogo per condividere foto e connettersi, ha un lato oscuro: il cyberbullismo. Questo si verifica quando le persone utilizzano Internet per molestare, minacciare o umiliare gli altri. In Indonesia, questo è un problema grave che colpisce molti giovani.

Questo articolo è come un rapporto investigativo che cerca di capire il modo migliore per costruire una "guardia di sicurezza digitale" in grado di individuare automaticamente questi commenti cattivi nella lingua indonesiana prima che facciano male a qualcuno.

Ecco la storia della loro indagine, spiegata in modo semplice:

1. I Sospetti (I Dati)

I ricercatori hanno raccolto una "lista di ricercati" di 650 commenti di Instagram.

La Fonte: Provenivano dalle sezioni commenti di famosi artisti e influencer indonesiani.
Il Mix: L'elenco era perfettamente bilanciato: 325 commenti erano cattivi (Bullismo) e 325 erano gentili (Non-Bullismo).
La Sfida: Non si trattava di saggi formali. Erano disordinati, brevi e pieni di slang, abbreviazioni ed emoji, proprio come parlano i veri adolescenti.

2. La Squadra di Pulizia (Preprocessing)

Prima che i computer potessero leggere questi commenti, dovevano essere ripuliti. Immagina di provare a leggere un libro scritto in una lingua in cui le persone sbagliano costantemente l'ortografia o allungano le parole (come "baaaanget" invece di "banget").

I ricercatori hanno costruito una macchina di pulizia speciale con sei passaggi:

Case Folding: Trasformare tutto in minuscolo (così "Ciao" e "ciao" sono uguali).
Pulizia: Rimuovere hashtag, link e @menzioni.
Normalizzazione dello Slang: Correggere lo slang (trasformare "bgt" di nuovo in "banget").
Rimozione delle Stopword: Scartare parole comuni come "e" o "il" che non aiutano a identificare il bullismo.
Stemming: Ridurre le parole alla loro radice (trasformare "correre" in "correre").
Tokenizzazione: Tagliare la frase in singoli pezzi di parole.

Senza questo passaggio, i computer sarebbero confusi dallo slang disordinato di Internet.

3. I Concorrenti (I Modelli)

I ricercatori hanno messo a confronto due diversi tipi di "investigatori" per vedere chi riusciva a catturare meglio i bulli.

Squadra A: Gli Investigatori Classici (Machine Learning)

Questi sono i metodi vecchi ma affidabili. Osservano le parole e contano quanto spesso compaiono specifiche parole "cattive".

Naive Bayes: Un indovino veloce basato sulla probabilità.
Regressione Logistica: Un calcolatore costante che traccia una linea tra il bene e il male.
SVM (Macchina a Vettori di Supporto): Un classificatore dagli occhi acuti che cerca di trovare il confine perfetto tra i due gruppi.
Strumento: Hanno utilizzato un metodo chiamato TF-IDF, che è come un evidenziatore che segna le parole uniche e importanti per la frase.

Squadra B: I Pensatori Profondi (Deep Learning)

Questi sono gli investigatori AI avanzati che cercano di capire il contesto e il flusso della frase, non solo le parole.

Bi-LSTM: Un modello che legge la frase da sinistra a destra E da destra a sinistra contemporaneamente, come leggere un libro ricordando allo stesso tempo ciò che hai appena letto.
Bi-LSTM + Attention: Lo stesso modello, ma con una "luciada" (meccanismo di Attenzione). Questa luce indica al modello di prestare attenzione extra alle parole più emotive o importanti nella frase.

4. I Risultati: Chi ha Vinto?

I ricercatori hanno organizzato una gara per vedere quale modello poteva identificare correttamente i commenti di bullismo.

Il Vincitore Classico: Tra gli investigatori vecchi, la Regressione Logistica è stata la campionessa. Ha avuto ragione circa l'85,25% delle volte. Era veloce, efficiente e non richiedeva un supercomputer per funzionare.
Il Vincitore del Deep Learning: Il Bi-LSTM con la "Luce" (Attenzione) ha portato a casa la corona complessiva. Ha avuto ragione circa l'84,62% delle volte.
- Aspetta, non è più basso? In realtà, è molto vicino! La "Luce" ha aiutato il modello a capire meglio la sfumatura del bullismo rispetto agli altri, anche se la percentuale grezza era leggermente inferiore a quella del miglior modello classico.
- Il Bi-LSTM standard (senza la luce) ha fatto peggio (78,46%), dimostrando che la "luce" era cruciale.

5. Il Verdetto

L'articolo conclude con alcune conclusioni chiave:

Il Deep Learning è il "Più Intelligente": Il modello con la "luce" (Bi-LSTM + Attenzione) è il migliore nel comprendere il contesto complesso e disordinato dello slang indonesiano e degli attacchi emotivi.
Il Machine Learning è il "Più Efficiente": Se non hai un computer potente o hai bisogno di qualcosa che funzioni molto velocemente, la classica Regressione Logistica è una scelta molto forte e pratica. Ha funzionato quasi quanto l'AI complessa ma è molto più leggera.
La Pulizia è Fondamentale: Lo studio sottolinea che se non si pulisce lo slang e non si correggono gli errori di battitura prima, anche l'AI più intelligente fallirà.

I Limiti (La Scrittura in Carattere Minuto)

Gli autori sono onesti riguardo ai limiti del loro studio:

Campionamento Piccolo: Hanno utilizzato solo 650 commenti. È come giudicare il gusto musicale di un intero paese basandosi su un sondaggio di 650 persone. Un dataset più ampio renderebbe i risultati più affidabili.
Fonte Specifica: Tutti i commenti provenivano dalle pagine di artisti famosi. Il bullismo potrebbe apparire diversamente sulla pagina di una persona comune.
Etichette Semplici: Hanno etichettato i commenti solo come "Bullismo" o "Non Bullismo". Non li hanno suddivisi ulteriormente (ad esempio, "Body Shaming" contro "Discorso d'Odio").

In sintesi: Per catturare i cyberbulli nei commenti di Instagram in indonesiano, hai prima bisogno di una buona squadra di pulizia. Poi, puoi scegliere tra un investigatore classico veloce e affidabile (Regressione Logistica) o un'AI altamente intelligente e consapevole del contesto con una luce (Bi-LSTM + Attenzione), a seconda di quanto potere di calcolo hai a disposizione.

1. Enunciato del Problema

Il cyberbullismo sulle piattaforme social, in particolare su Instagram, rappresenta una grave minaccia per la salute mentale dei giovani indonesiani. Sebbene esistano sistemi di rilevamento automatizzato, la maggior parte della ricerca si concentra sui dati di Twitter/X. I commenti su Instagram presentano sfide uniche a causa della loro natura informale, dell'uso massiccio di slang, emoji, allungamento dei caratteri e lingue miste. Inoltre, manca uno studio comparativo che valuti i compromessi tra gli approcci tradizionali di Machine Learning (ML) e le architetture di Deep Learning (DL) specificamente per contenuti Instagram in lingua indonesiana.

2. Metodologia

Dataset

Fonte: 650 commenti Instagram estratti da account di artisti e influencer indonesiani.
Struttura: Dataset di classificazione binaria bilanciato con 325 etichette "Bullismo" e 325 "Non Bullismo".
Caratteristiche: Testo informale in lingua indonesiana con una lunghezza media di 63 caratteri. Il dataset è pulito (nessun duplicato o valore mancante) e copre contesti linguistici diversificati.

Pipeline di Preprocessing

È stata sviluppata una pipeline specializzata per gestire le sfumature linguistiche indonesiane utilizzando librerie specifiche (indoNLP, nlp-id, PySastrawi):

Case Folding: Conversione in minuscolo.
Pulizia: Rimozione di menzioni, hashtag, URL e caratteri non alfabetici.
Normalizzazione dello Slang: Sostituzione di slang e allungamenti di caratteri (es. "bgt" $\rightarrow$ "banget").
Rimozione delle Stopword: Eliminazione di parole comuni non discriminative.
Stemming: Riduzione delle parole alle forme radicali basata sulla morfologia indonesiana.
Tokenizzazione: Divisione del testo in token.

Approcci di Modellazione

Lo studio ha confrontato due percorsi di modellazione distinti:

Percorso Machine Learning (ML) (AutoML):
- Strumenti: Framework PyCaret con Grid Search per la regolazione degli iperparametri.
- Estrazione delle Caratteristiche: TF-IDF (Term Frequency-Inverse Document Frequency).
- Algoritmi Testati: Naive Bayes, Regressione Logistica e Support Vector Machine (SVM).
- Validazione: Validazione incrociata a 5 fold (5-Fold Cross-Validation).
Percorso Deep Learning (DL):
- Strumenti: PyTorch.
- Architetture:
  1. Bi-LSTM: Memoria a breve termine bidirezionale a lungo termine per catturare il contesto sequenziale.
  2. Bi-LSTM + Attenzione Bahdanau: Aggiunge un meccanismo di attenzione per pesare le parole chiave significative.
- Configurazione: Dimensione del batch 32, dimensione dell'embedding 128, ottimizzatore Adam, perdita Cross-Entropy, Arresto Anticipato (patience=3).
- Validazione: Divisione statica 80/10/10 (Addestramento/Validazione/Test) con seed casuale 42.

3. Contributi Chiave

Analisi Comparativa: Un confronto diretto tra tre algoritmi ML classici e due architetture DL specificamente per i commenti Instagram indonesiani, colmando un vuoto nella letteratura che spesso si concentra su Twitter.
Preprocessing Specifico di Dominio: Dimostrazione dell'impatto critico di una pipeline NLP personalizzata (normalizzazione dello slang e stemming morfologico) sulle prestazioni del modello per testi informali indonesiani.
Framework Pratico: Identificazione del modello ottimale per diversi scenari di deployment (alta accuratezza vs. vincoli di risorse), fornendo una base per sistemi automatizzati di moderazione dei contenuti in Indonesia.

4. Risultati Sperimentali

Prestazioni Machine Learning:

La Regressione Logistica è emersa come il modello ML con le prestazioni migliori.
- Accuratezza: 85,25%
- Punteggio F1: 85,22%
SVM ha seguito con un'accuratezza dell'82,61%.
Naive Bayes ha ottenuto le prestazioni più basse con un'accuratezza del 77,99%.

Prestazioni Deep Learning:

Bi-LSTM + Attenzione ha raggiunto le prestazioni complessive più elevate.
- Accuratezza: 84,62%
- F1-Macro: 84,58%
Bi-LSTM Standard è rimasto indietro con un'accuratezza del 78,46%, evidenziando il significativo incremento (circa il 6%) fornito dal meccanismo di attenzione.

Insight Comparativo:

Accuratezza: La Regressione Logistica (ML) ha superato leggermente Bi-LSTM+Attenzione (DL) di 0,63 punti percentuali.
Comprensione Contestuale: Sebbene i modelli ML fossero altamente competitivi, i modelli DL hanno dimostrato una capacità superiore nel catturare dipendenze sequenziali complesse e contesto emotivo, come evidenziato dal significativo salto di prestazioni ottenuto aggiungendo il meccanismo di Attenzione.
Efficienza: I modelli ML hanno offerto tempi di addestramento più rapidi e requisiti computazionali inferiori, rendendoli fattibili per ambienti con risorse limitate.

5. Significato e Conclusione

Selezione del Modello: Per requisiti di alta accuratezza dove sono disponibili risorse computazionali, Bi-LSTM con Attenzione è l'approccio consigliato. Tuttavia, per un deployment rapido e leggero, la Regressione Logistica offre prestazioni comparabili con un sovraccarico significativamente inferiore.
Importanza del Preprocessing: Lo studio conferma che il preprocessing specifico di dominio (normalizzazione dello slang e stemming) non è opzionale ma essenziale per ottenere alte prestazioni su dati social informali indonesiani.
Limitazioni e Lavori Futuri: Lo studio è limitato da un dataset relativamente piccolo (650 campioni) e da uno schema di etichettatura binaria che non cattura categorie sfumate (es. body shaming vs. discorso d'odio). La ricerca futura dovrebbe utilizzare dataset più ampi ed esplorare modelli basati su Transformer (es. varianti BERT) per migliorare ulteriormente le capacità di rilevamento.

Conclusione: Il paper stabilisce che, sebbene i modelli di Deep Learning con meccanismi di attenzione siano teoricamente superiori per la comprensione contestuale, i modelli tradizionali di Machine Learning rimangono altamente efficaci e competitivi per il rilevamento del cyberbullismo sui social media indonesiani, a condizione che venga applicato un preprocessing rigoroso e specifico della lingua.