Key points are not available for this paper at this time.
على الرغم من التقدم الكبير في الذكاء الاصطناعي (AI) ونماذج اللغة الكبيرة (LLMs)، فإن الكشف عن التحيز والتخفيف منه لا يزال تحدياً كبيراً، خاصة على منصات التواصل الاجتماعي مثل X (سابقاً تويتر)، لمعالجة ظاهرة التنمر الإلكتروني المنتشرة على هذه المنصات. تحقق هذه الدراسة في فعالية نماذج اللغة الكبيرة الرائدة في توليد بيانات تنمر إلكتروني وبيانات متحيزة اصطناعية وتقيّم كفاءة نماذج الذكاء الاصطناعي القائمة على المحولات في الكشف عن التحيز والتنمر الإلكتروني في كل من السياقات الأصلية والاصطناعية. تشمل الدراسة تحليلًا دلاليًا وهندسة ميزات على مجموعة بيانات تتكون من أكثر من 48,000 جملة مرتبطة بالتنمر الإلكتروني تم جمعها من تويتر (قبل أن تصبح X). تم استخدام أحدث نماذج اللغة الكبيرة وأدوات الذكاء الاصطناعي مثل ChatGPT-4 وPi AI وClaude 3 Opus وGemini-1.5، لتوليد بيانات متحيزة ومنتشرة وغير متحيزة لتعميق فهم التحيز في البيانات الناتجة عن البشر. تم تدريب نماذج الذكاء الاصطناعي بما في ذلك DeBERTa وLongformer وBigBird وHateBERT وMobileBERT وDistilBERT وBERT وRoBERTa وELECTRA وXLNet في البداية لتصنيف بيانات التنمر الإلكتروني من تويتر ثم تم تعديلها وتحسينها وتجريب تصغيرها. تركز هذه الدراسة على التنمر الإلكتروني المتقاطع والتصنيف المتعدد للكشف عن كل من التحيز والتنمر الإلكتروني. بالإضافة إلى ذلك، تقترح اثنين من تطبيقات النماذج الأولية: واحد يكشف عن التنمر الإلكتروني باستخدام نهج متقاطع والابتكار CyberBulliedBiasedBot الذي يجمع بين توليد واكتشاف المحتوى المتحيز والتنمر الإلكتروني.
بحث كومار وآخرون (الخميس) في هذا السؤال.