Espacios en línea más seguros y empoderadores: Avances en la detección integral del ciberacoso a través de algoritmos de NLP y aprendizaje automático

La naturaleza omnipresente de la comunicación en línea ha causado un aumento en el ciberacoso, lo que requiere mecanismos de detección robustos. Este estudio ofrece un enfoque integral para la detección del ciberacoso en línea utilizando Procesamiento de Lenguaje Natural (NLP) y algoritmos de aprendizaje automático. Al aprovechar un conjunto de datos diverso que abarca diversas plataformas de redes sociales, preprocesamos los datos para manejar las sutilezas lingüísticas, incluyendo el slang y emojis. El método incluye la extracción de características utilizando técnicas como TF-IDF y embeddings de palabras, y el entrenamiento de modelos con algoritmos como Máquinas de Vectores de Soporte (SVM), Bosques Aleatorios y modelos de aprendizaje profundo como LSTM y BERT. Comparamos los modelos en función de la precisión, el recall, la puntuación F1 y la exactitud, demostrando que BERT logra un rendimiento superior debido a sus capacidades de comprensión contextual. Además, el estudio aborda el desafío de los conjuntos de datos desbalanceados mediante técnicas de sobremuestreo y SMOTE, asegurando un entrenamiento robusto del modelo. El sistema propuesto no solo detecta tipos explícitos de ciberacoso, sino también formas sutiles e indirectas, mejorando su aplicabilidad en escenarios del mundo real. Esta investigación contribuye al campo al presentar una solución escalable y efectiva para la detección de ciberacoso en línea, con el objetivo de fomentar entornos en línea más seguros y apoyar el desarrollo de medidas proactivas contra el ciberacoso.