Cyberbullying Detection: Exploring Datasets, Technologies, and Approaches on Social Media Platforms

Probleemstelling

Cyberpesten is een groeiende uitdaging in het digitale tijdperk, met name op sociale mediaplatforms zoals Facebook, Twitter, Instagram en YouTube. Hoewel deze platforms communicatie vergemakkelijken, worden ze ook misbruikt om anderen te vernederen via tekst, audio, video en afbeeldingen, wat leidt tot ernstige psychologische schade bij slachtoffers, vooral adolescenten.

De huidige technische aanpakken voor het detecteren van cyberpesten staan voor meerdere fundamentele uitdagingen:

• Multimodaliteit: Veel algoritmen zijn beperkt tot tekst, terwijl cyberpesten ook via afbeeldingen, video's en audio plaatsvindt.
• Taalbias: De meeste modellen zijn getraind op hoog-risicotalen (zoals Engels, Chinees, Frans), wat leidt tot onnauwkeurigheden bij het detecteren van cyberpesten in laag-risicotalen (zoals Swahili, Bengaals, Marathi).
• Data-tekort en kwaliteit: Het verzamelen en labelen van data is duur en tijdrovend. Veel datasets zijn onbalans (meer niet-pestende dan pestende berichten), onvolledig of bevatten foutieve annotaties.
• Context en Obfuscatie: Pesters gebruiken steeds vaker vermomde taal, spellingfouten, code-mixing en culturele nuances die moeilijk te interpreteren zijn voor automatische systemen.
• Real-time toepasbaarheid: Veel geavanceerde modellen (zoals Deep Learning en LLM's) zijn rekenkundig zwaar en moeilijk in te zetten in real-time scenario's.

Methodologie

Het artikel is een systematische literatuuroverzicht (Systematic Literature Review) uitgevoerd volgens de PRISMA 2020-richtlijnen.

• Zoekstrategie: Er is gezocht in academische databases (IEEE Xplore, SpringerLink, ScienceDirect, ACM, MDPI) tussen 2018 en november 2025.
• Selectiecriteria: Uit 437 gevonden artikelen werden na screening van titels, abstracts en volledige teksten uiteindelijk 161 peer-reviewed studies geselecteerd.
• Analyse-indeling: De geselecteerde studies zijn geanalyseerd en gecategoriseerd in vier hoofdklassen van detectietechnologieën:
  1. Traditionele modellen: Gebaseerd op regels, statistische methoden en karakterpercentage-matching.
  2. Machine Learning (ML): Toezicht op klassificatie met algoritmen zoals SVM, Naive Bayes, KNN, Decision Trees en Random Forest.
  3. Deep Learning (DL): Gebruik van neurale netwerken zoals CNN, RNN, LSTM, BiLSTM, GRU en Autoencoders.
  4. Grote Taalmodellen (LLMs): Toepassing van transformer-architecturen zoals BERT, GPT, RoBERTa en XLNet.
• Evaluatiemetrics: De prestaties van de verschillende modellen zijn vergeleken op basis van nauwkeurigheid (Accuracy), precisie (Precision), recall en F1-score.

Belangrijkste Bijdragen

De auteurs leveren een uitgebreide vergelijking en analyse van de huidige staat van cyberpestdetectie:

1. Systematische Vergelijking: Een gedetailleerde vergelijking van ML, DL, traditionele methoden en LLM's, inclusief hun sterke en zwakke punten.
2. Dataset-analyse: Een kritische evaluatie van beschikbare datasets (bron, grootte, taal, labelkwaliteit en onbalans). Twitter wordt geïdentificeerd als de meest gebruikte bron, maar met beperkingen in diversiteit.
3. Ethiek en Privacy: Een diepgaande bespreking van ethische kwesties, waaronder privacy, toestemming, bias in modellen en de verantwoordelijkheid bij het gebruik van detectiesystemen.
4. Toekomstperspectieven: Het artikel identificeert specifieke gaten in het onderzoek en stelt richtlijnen voor voor toekomstig werk, zoals multimodale benaderingen en verbeterde annotatie-methoden.

Resultaten en Bevindingen

De analyse van de 161 studies levert de volgende technische inzichten op:

• Prestaties per categorie:

  • Traditionele modellen: Werken redelijk goed met kleine datasets en zijn interpreteerbaar, maar missen vermogen om context en semantiek te begrijpen. Ze kampen met hoge false-positie-rates.
  • Machine Learning: Supervised learning (vooral SVM en Random Forest) presteert goed, maar vereist handmatige feature-extractie (zoals TF-IDF, BoW). Ze hebben moeite met grote datasets en real-time verwerking.
  • Deep Learning: Modellen zoals BiLSTM en CNN presteren over het algemeen beter dan ML-modellen omdat ze automatisch features leren. Ze zijn echter gevoelig voor overfitting en vereisen grote hoeveelheden data.
  • Large Language Models (LLMs): Modellen zoals BERT en GPT bereiken de hoogste prestaties (vaak >90% F1-score) dankzij hun vermogen om context en nuance te begrijpen. Echter, ze zijn rekenkundig intensief, hebben hoge energiekosten en zijn minder geschikt voor real-time toepassing zonder optimalisatie.

• Uitdagingen in Datasets:

  • Class Imbalance: De meeste datasets hebben een grote onbalans (bijv. 10:1 tot 10.000:1 tussen niet-pesten en pesten), wat leidt tot modellen die de meerderheidsklasse voorspellen.
  • Taaldiversiteit: Er is een groot tekort aan datasets voor laag-risicotalen.
  • Annotatiekwaliteit: Subjectiviteit bij het labelen door mensen leidt tot inconsistenties.

• Taal en Context: De meeste modellen falen bij het interpreteren van sarcasme, code-mixing (bijv. Hinglish) en culturele nuances.

Significantie en Toekomstige Richtingen

De studie benadrukt dat er geen "one-size-fits-all" oplossing is voor cyberpestdetectie. De significantie van dit werk ligt in het bieden van een blauwdruk voor de volgende generatie detectiesystemen:

1. Multimodale Detectie: Toekomstige systemen moeten tekst combineren met beeld, audio en metadata om de context volledig te begrijpen.
2. Low-Resource Talen: Er is een dringende noodzaak voor het ontwikkelen van specifieke modellen en datasets voor talen zoals Swahili, Hindi en Bengaals om wereldwijde dekking te garanderen.
3. Hybride Ensembles: Het combineren van verschillende modellen (bijv. LLM's voor context + traditionele filters voor snelheid) kan de balans tussen nauwkeurigheid en efficiëntie verbeteren.
4. Automatische Annotatie: Het gebruik van Self-Supervised Learning (SSL) en Generative Adversarial Networks (GANs) om synthetische data te genereren en annotatie te automatiseren, is cruciaal om het tekort aan gelabelde data op te lossen.
5. Ethiek en Menselijke Invulling: Detectiesystemen moeten ethisch worden ontworpen om privacy te beschermen en bias te minimaliseren. De focus moet verschuiven van puur strafmaatregelen naar preventie en ondersteuning van slachtoffers.

Kortom, dit artikel concludeert dat hoewel LLMs de huidige staat van de kunst vertegenwoordigen, de toekomst van effectieve cyberpestdetectie ligt in multimodale, ethisch verantwoorde en taal-diverse systemen die gebruikmaken van geavanceerde data-augmentatie en ensemble-methoden.