Este artigo de pesquisa detalha o desenvolvimento e a avaliação iterativa de vários modelos de aprendizado de máquina para análise de sentimentos aplicados especificamente à detecção de tweets de bullying. O estudo emprega sistematicamente uma ampla gama de algoritmos, incluindo Máquina de Vetores de Suporte, Naïve Bayes, Floresta Aleatória, Regressão Logística, Agregação Bootstrap, Aumento de Gradiente, Máquina de Aumento de Gradiente Leve, Aumento Adaptativo e Aumento de Gradiente Extremo, para classificar dados do Twitter. O objetivo principal é aproveitar técnicas de análise de sentimentos para identificar e categorizar com precisão sentimentos agressivos indicativos de cyberbullying dentro das interações nas redes sociais, contribuindo assim para ambientes online mais seguros. Através da aplicação inicial de técnicas avançadas de vetorização e métodos rigorosos de validação cruzada, os modelos foram avaliados usando a pontuação F1. Uma fase crítica envolveu uma análise detalhada de erros de classificação dos modelos que inicialmente apresentaram melhor desempenho, identificando 18 instâncias específicas onde a interpretação do sentimento falhou. Esta análise informou a engenharia de novas características orientadas por sentimentos, que foram subsequentemente integradas para aprimorar o desempenho do modelo. Essa abordagem sistemática culminou, em última análise, na identificação do Aumento de Gradiente Extremo, quando combinado com um Vetorizador de Contagem e Divisão Aleatória Estratificada, como o modelo superior. Após a otimização através da análise iterativa de erros de classificação e engenharia de características, este modelo alcançou uma Pontuação F1 de aproximadamente 0,833, representando uma melhoria notável em discriminar sentimentos agressivos. Este desempenho aprimorado destaca o profundo potencial do aprendizado de máquina, especialmente através da análise de sentimentos refinada, em abordar a complexa e disseminada questão do cyberbullying, analisando efetivamente as nuances emocionais incorporadas nos dados textuais.
Dhanroop Mal Nagar (Sun,) estudou esta questão.