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

1. Problema

O artigo aborda o crescimento exponencial do ciberbullying nas plataformas de mídia social, que se tornou um desafio crítico na era digital, causando danos psicológicos severos, especialmente entre adolescentes. Apesar do aumento do uso de redes sociais (com cerca de 4,95 bilhões de usuários ativos em 2024), a detecção automática de comportamentos abusivos enfrenta barreiras significativas:

• Diversidade de Formas: O ciberbullying ocorre em múltiplos formatos (texto, multimodal, agregação) e linguagens, muitas vezes utilizando obfuscação (erros de digitação, códigos).
• Viés Linguístico: A maioria das pesquisas foca em idiomas de alto recurso (inglês, chinês, alemão), negligenciando idiomas de baixo recurso (como sua, bengali, marathi), o que gera injustiça e baixa precisão nessas regiões.
• Limitações de Dados: A coleta e rotulagem de dados são caras e demoradas devido às restrições de APIs das plataformas (ex: Twitter vs. Facebook/Instagram). Além disso, os conjuntos de dados existentes sofrem com desequilíbrio de classes (muito mais exemplos de "não-ciberbullying" do que de "ciberbullying") e falta de generalização.
• Desafios Tecnológicos: Modelos tradicionais têm dificuldade com nuances linguísticas e contexto, enquanto modelos de Deep Learning e LLMs enfrentam problemas de interpretabilidade, custo computacional e aplicabilidade em tempo real.

2. Metodologia

O estudo é uma Revisão Sistemática da Literatura (RSL) conduzida seguindo as diretrizes PRISMA 2020 para garantir transparência e reprodutibilidade.

• Processo de Seleção:
  • Fontes: IEEE Xplore, SpringerLink, MDPI, ScienceDirect, ACM Digital Library e outras.
  • Período: 2018 a 10 de novembro de 2025 (nota: o artigo projeta datas futuras, indicando uma revisão abrangente até o momento da publicação).
  • Critérios de Inclusão: Estudos revisados por pares, em inglês, abordando aspectos técnicos, de política ou éticos do ciberbullying.
  • Resultado Final: De 437 artigos iniciais, após triagem de título/resumo e leitura completa, 161 estudos foram selecionados para análise.
• Taxonomia de Análise: Os autores classificaram as abordagens de detecção em quatro categorias principais:
  1. Modelos Tradicionais: Baseados em regras, correspondência de caracteres e estatística.
  2. Aprendizado de Máquina (ML): Algoritmos supervisionados e não supervisionados (SVM, KNN, Naive Bayes, Random Forest, etc.).
  3. Aprendizado Profundo (Deep Learning): Redes neurais como CNN, RNN, LSTM, BiLSTM, GRU e Autoencoders.
  4. Modelos de Linguagem de Grande Escala (LLMs): BERT, GPT, RoBERTa, XLNet, entre outros.
• Métricas de Avaliação: A análise comparou o desempenho dos modelos utilizando precisão, recall, F1-score e acurácia.

3. Principais Contribuições

O artigo oferece uma visão holística e comparativa que preenche lacunas deixadas por revisões anteriores:

• Análise Comparativa Abrangente: Avaliou sistematicamente 161 estudos, contrastando o desempenho de ML, Deep Learning, modelos tradicionais e LLMs.
• Foco em Datasets e Ética: Analisou a qualidade, diversidade, tamanho e viés dos conjuntos de dados utilizados, além de discutir profundamente as implicações éticas (privacidade, consentimento, viés algorítmico).
• Identificação de Lacunas: Mapeou especificamente as limitações atuais, como a falta de suporte a idiomas de baixo recurso e a dificuldade de detecção em tempo real.
• Direções Futuras: Propôs caminhos concretos para pesquisa, incluindo o uso de GANs para geração de dados sintéticos, abordagens multilíngues e modelos multimodais.

4. Resultados e Descobertas Chave

A revisão dos 161 estudos revelou tendências e limitações claras:

• Desempenho dos Modelos:
  • ML Tradicional: Funciona razoavelmente bem em pequenos conjuntos de dados, mas exige atualização constante e sofre com extração manual de características. O SVM foi destacado como um dos melhores classificadores nesta categoria.
  • Deep Learning: Supera os modelos tradicionais em extração automática de características e compreensão semântica. O BiLSTM (Long Short-Term Memory Bidirecional) e modelos híbridos (ex: CNN + BiLSTM) mostraram alto desempenho, mas ainda lutam com generalização em novos contextos.
  • LLMs (GPT, BERT): Alcançaram o maior desempenho geral, oferecendo flexibilidade e riqueza de recursos linguísticos. No entanto, enfrentam desafios de alto consumo de energia e dificuldade de implantação em tempo real.
• Desafios de Dados:
  • O Twitter é a fonte de dados mais comum devido à sua API acessível, enquanto outras plataformas (Facebook, Instagram) têm restrições severas.
  • O inglês é o idioma predominante, criando uma lacuna significativa para idiomas como sua e hindi.
  • O desequilíbrio de classes é um problema universal; a maioria dos datasets tem uma proporção massiva de exemplos não-abusivos, levando a modelos tendenciosos que ignoram o ciberbullying.
• Limitações Técnicas: A falta de interpretabilidade (caixa preta) em modelos complexos e a incapacidade de entender contexto cultural e sarcasmo são barreiras persistentes.

5. Significado e Direções Futuras

O artigo conclui que, embora a tecnologia tenha avançado, a detecção eficaz de ciberbullying requer uma abordagem multidisciplinar e evolutiva.

• Recomendações Técnicas:
  • Desenvolvimento de datasets balanceados e multilíngues, especialmente para idiomas de baixo recurso.
  • Adoção de abordagens multimodais (texto + imagem + áudio) para capturar nuances contextuais.
  • Uso de métodos de ensemble e LLMs otimizados para inferência rápida.
  • Implementação de anotação automatizada (usando SSL) combinada com validação humana para reduzir custos.
• Impacto Social e Ético:
  • É crucial equilibrar a segurança online com a privacidade do usuário e a liberdade de expressão.
  • A detecção não deve ser apenas punitiva, mas também focada em intervenções de suporte e educação.
  • A pesquisa futura deve envolver colaboração entre ciência da computação, psicologia e sociologia para entender as raízes e impactos do comportamento abusivo.

Em suma, o artigo serve como um guia fundamental para pesquisadores e desenvolvedores, destacando que a solução definitiva para o ciberbullying não reside apenas em algoritmos mais potentes, mas em dados mais representativos, ética robusta e uma compreensão profunda das dinâmicas humanas e culturais nas redes sociais.