Investigación de la arquitectura de redes neuronales profundas para la detección de ciberacoso en redes sociales
Introducción: Actualmente, se ha observado un aumento significativo de casos de ciberacoso en dispositivos y plataformas digitales como Facebook, Instagram, Snapchat y TikTok.
Problema: Se han introducido numerosos enfoques de vanguardia para la detección de actividades de ciberacoso. Sin embargo, la asequibilidad de recursos de datos de alta calidad, junto con las restricciones de acceso, limita la aplicabilidad de estos enfoques.
Objetivo: La detección de actividades de ciberacoso reviste importancia social y ha adquirido una relevancia creciente en la investigación.
Metodología: En este artículo, exploramos la arquitectura de redes neuronales convolucionales para la detección de ciberacoso (CNN-CBD) para la tarea de clasificación e informamos sobre su rendimiento en bases de datos reales como Twitter, Wikipedia y Formspring. También comparamos el rendimiento de CNN-CBD con modelos de aprendizaje automático (ML) de referencia. Se informan y discuten en detalle diversos problemas relacionados con el manejo de bases de datos reales y la selección del modelo de red neuronal profunda (DNN) más adecuado.
Resultados: Los experimentos demostraron que el modelo CNN-CBD propuesto superó a los algoritmos de aprendizaje automático tradicionales en la detección del ciberacoso, alcanzando una precisión del 97 %.
Conclusiones: Concluimos que el modelo CNN-CBD propuesto superó a los modelos de referencia existentes.
Cómo citar
Licencia
Derechos de autor 2026 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
[1] R. Shetgiri, “Bullying and victimization among children,” Advances in Pediatrics, vol. 60, no. 1, pp. 33–51, jul. 2013. DOI: https://doi.org/10.1016/j.yapd.2013.04.004
[2] D. Halpern, M. Piña y J. Vásquez, “Loneliness, personal and social well-being: Towards a conceptualization of the effects of cyberbullying / Soledad, bienestar social e individual: hacia una conceptualización de los efectos del cyberbullying,” Cultura y Educación, vol. 29, no. 4, pp. 703–727, 2017. DOI: https://doi.org/10.1080/11356405.2017.1370818
[3] S. Balakrishna, Y. Gopi y V. K. Solanki, “Comparative analysis on deep neural network models for detection of cyberbullying on social media,” Ingeniería Solidaria, vol. 18, no. 1, pp. 1–33, 2022. DOI: https://doi.org/10.16925/2357-6014.2022.01.05
[4] U. Bretschneider, T. Wöhner y R. Peters, “Detecting online harassment in social networks,” en Proc. 35th Int. Conf. on Information Systems, 2014, pp. 1–14.
[5] J. Bayzick, A. Kontostathis y L. Edwards, “Detecting the presence of cyberbullying using computer software,” 2011, pp. 1–2.
[6] K. Reynolds, A. Kontostathis y L. Edwards, “Using machine learning to detect cyberbullying,” en Proc. 10th Int. Conf. on Machine Learning and Applications (ICMLA), vol. 2, dic. 2011, pp. 241–244, doi:10.1109/ICMLA.2011.152. DOI: https://doi.org/10.1109/ICMLA.2011.152
[7] J. Xu, K. Jun, X. Zhu y A. Bellmore, “Learning from bullying traces in social media,” en Proc. Assoc. for Computational Linguistics: Human Language Technologies, 2012, pp. 656–666.
[8] A. Kontostathis, L. Edwards y A. Leatherman, “Text mining and cybercrime,” en Text Mining: Applications and Theory. Hoboken, NJ, EE. UU.: Wiley, 2010, pp. 1–14. DOI: https://doi.org/10.1002/9780470689646.ch8
[9] J. Xu, K. Jun, X. Zhu y A. Bellmore, “Learning from bullying traces in social media,” en Proc. Conf. of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 2012, pp. 656–666.
[10] C. Van Hee et al., “Detection and fine-grained classification of cyber-bullying events,” en Proc. Int. Conf. on Recent Advances in Natural Language Processing (RANLP), 2015, pp. 672–680.
[11] R. Salsabila, R. Sarno, I. Ghozali y K. R. Sungkono, “Improving cyberbullying detection through multi-level machine learning,” International Journal of Emerging Trends in Engineering Research, vol. 14, no. 2, 2024. DOI: https://doi.org/10.11591/ijece.v14i2.pp1779-1787
[12] P. Yi y A. Zubiaga, “D-XCB: Data-independent debiasing for fair and accurate transformer-based cyberbullying detection,” arXiv preprint arXiv:2402.16458, feb. 2024. DOI: https://doi.org/10.1609/icwsm.v19i1.35924
[13] K. Maity, R. Jain, P. Jha y S. Saha, “Explainable cyberbullying detection in Hinglish: A generative approach,” IEEE Transactions on Computational Social Systems, 2023. DOI: https://doi.org/10.1109/TCSS.2023.3333675
[14] A. Almomani et al., “Image cyberbullying detection and recognition using transfer deep machine learning,” International Journal of Cognitive Computing in Engineering, vol. 5, pp. 14–26, 2023. DOI: https://doi.org/10.1016/j.ijcce.2023.11.002
[15] H. Saini, H. Mehra y R. Rani, “Enhancing cyberbullying detection: A comparative study of ensemble CNN–SVM and BERT models,” Social Network Analysis and Mining, vol. 14, no. 1, 2023. DOI: https://doi.org/10.1007/s13278-023-01158-w
[16] R. Kumar y B. Bhat, “A study of machine learning-based models for detection, control, and mitigation of cyberbullying in online social media,” International Journal of Information Security, vol. 21, pp. 1409–1431, 2022. DOI: https://doi.org/10.1007/s10207-022-00600-y
[17] M. Dadvar, D. Trieschnigg, R. Ordelman y F. de Jong, “Improving cyberbullying detection with user context,” 2015, pp. 2–5.
[18] H. Hosseinmardi et al., “Detection of cyberbullying incidents on the Instagram social network,” 2014. DOI: https://doi.org/10.1007/978-3-319-27433-1_4
[19] V. Nahar, S. Al-Maskari, X. Li y C. Pang, “Semi-supervised learning for cyberbullying detection in social networks,” en Proc. Australasian Database Conf., 2014, pp. 160–171. DOI: https://doi.org/10.1007/978-3-319-08608-8_14
[20] J. M. Hilbe, Logistic Regression Models. Boca Raton, FL, EE. UU.: CRC Press, 2009. DOI: https://doi.org/10.1201/9781420075779
[21] Y. W. Chang y C. J. Lin, “Feature ranking using linear SVM,” en Causation and Prediction Challenge, dic. 2008, pp. 53–64.
[22] J. R. Quinlan, “Simplifying decision trees,” International Journal of Man–Machine Studies, vol. 27, no. 3, pp. 221–234, sep. 1987. DOI: https://doi.org/10.1016/S0020-7373(87)80053-6
[23] B. Xu, X. Guo, Y. Ye y J. Cheng, “An improved random forest classifier for text categorization,” Journal of Computers, vol. 7, no. 12, pp. 2913–2920, 2012. DOI: https://doi.org/10.4304/jcp.7.12.2913-2920
[24] S. Tan, “An effective refinement strategy for KNN text classifier,” Expert Systems with Applications, vol. 30, no. 2, pp. 290–298, 2006. DOI: https://doi.org/10.1016/j.eswa.2005.07.019
[25] A. M. Kibriya, E. Frank, B. Pfahringer y G. Holmes, “Multinomial naive Bayes for text categorization revisited,” en Proc. Australasian Joint Conf. on Artificial Intelligence. Berlín, Alemania: Springer, dic. 2004, pp. 488–499. DOI: https://doi.org/10.1007/978-3-540-30549-1_43
[26] M. Zareapoor y P. Shamsolmoali, “Application of credit card fraud detection based on bagging ensemble classifier,” Procedia Computer Science, vol. 48, pp. 679–685, 2015. DOI: https://doi.org/10.1016/j.procs.2015.04.201
[27] M. A. Al-Ajlan y M. Ykhlef, “A deep learning algorithm for cyberbullying detection,” International Journal of Advanced Computer Science and Applications, no. 9, 2018. DOI: https://doi.org/10.14569/IJACSA.2018.090927
[28] F. Chollet, “Keras,” GitHub, 2015. [En línea]. Disponible en: https://github.com/fchollet/keras
[29] F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, nov. 2011.
[30] M. Abadi et al., “TensorFlow: A system for large-scale machine learning,” en Proc. 12th USENIX Symp. on Operating Systems Design and Implementation (OSDI’16), 2016, pp. 265–283.
[31] Y. Bengio, R. Ducharme, P. Vincent y C. Jauvin, “A neural probabilistic language model,” Journal of Machine Learning Research, vol. 3, pp. 1137–1155, feb. 2003.
[32] C. Emmery et al., “Current limitations in cyberbullying detection: On evaluation criteria, reproducibility, and data scarcity,” arXiv preprint arXiv:1910.11922, 2019.
