ОБ’ЄКТНО-ОРІЄНТОВАНИЙ ПІДХІД ДО НЕЙРОМЕРЕЖЕВОГО ВИЯВЛЕННЯ СУБ’ЄКТІВ КІБЕРБУЛІНГУ ЗА ПОВІДОМЛЕННЯМИ У КЕРОВАНОМУ ХМАРНОМУ СЕРЕДОВИЩІ

Ключові слова: кібербулінг, трансформерні моделі, синтаксико-семантичний аналіз, об’єктно-орієнтоване проектування, кероване хмарне середовище.

Анотація

Метою роботи є формування та обґрунтування об’єктно-орієнтованого підходу до нейромережевого виявлення суб’єктів кібербулінгу за повідомленнями із поєднанням первинної детекції та подальшої синтаксико-семантичної інтерпретації у керованому хмарному середовищі. Запропоновано узгоджену архітектуру, у якій нейромережевий модуль здійснює фільтрацію повідомлень на рівні «кібербулінг / не кібербулінг», після чого результати проходять залежнісний аналіз із реконструкцією рольових зв’язків типу «суб’єкт – дія – об’єкт». Об’єктну модель, що включає класи повідомлень, речень, токенів, залежностей, предикатів, рольових трійок і підсумкових структур, визначено як основу для забезпечення прозорої трасованості рішень, тоді як кероване хмарне середовище забезпечує відтворюваність запусків та масштабованість експериментів. Експериментально підтверджено ефективність первинної детекції: модуль на основі BERT продемонстрував метрику F1 = 0.98 у двокласовій постановці («кібербулінг» / «не кібербулінг»), що свідчить про достатній рівень відсіву нерелевантних повідомлень перед рольовим аналізом. На експертно верифікованому піднаборі встановлено узгоджені показники якості рольової ідентифікації: для суб’єкта отримано значення 0.88, 0.86, 0.87 за Precision, Recall і F1 відповідно; для об’єкта – 0.85, 0.83, 0.84; для дієслівного центру – 0.91, 0.89, 0.90. Точне відновлення рольової трійки забезпечило значення F1 = 0.76. Міжекспертна узгодженість становила коефіцієнт Коена 0.82 при 87 % повної згоди, що засвідчує надійність еталонних міток і коректність застосованої процедури оцінювання. У спірних випадках використано третю допоміжну оцінку мовною моделлю із фіксованою інструкцією; фінальні мітки визначено за правилом більшості. Отримано результати, які демонструють, що запропонований підхід не лише дає змогу визначити факт агресивної комунікації, а й забезпечує структуроване подання інформації про її адресність, залишаючись відтворюваним та аудитованим у практичних умовах. Сформовано висновки, що створюють підґрунтя для подальшої інтеграції підходу у модераційні системи й можливого розширення на корпуси з детальнішою рольовою розміткою та багатомовною підтримкою.

Посилання

1. A Human-Centered Systematic Literature Review of Cyberbullying Detection Algorithms / S. Kim та ін. Proceedings of the ACM on Human-Computer Interaction. 2021. Т. 5, CSCW2. С. 1–34. https://doi.org/ 10.1145/3476066 (дата звернення: 07.11.2025).
2. Paul S., Saha S., Hasanuzzaman M. Identification of cyberbullying: A deep learning based multimodal approach. Multimedia Tools and Applications. 2020. https://doi.org/10.1007/s11042-020-09631-w (дата звернення: 07.11.2025).
3. Human Activity Recognition for the Identification of Bullying and Cyberbullying Using Smartphone Sensors / V. Gattulli et al. Electronics. 2023. Vol. 12, no. 2. P. 261. https://doi.org/10.3390/electronics12020261 (дата звернення: 07.11.2025).
4. Method for neural network cyberbullying detection in text content with visual analytic / I. Krak et al. CEUR Workshop Proceedings. 2025. Vol. 3917, PP. 298–309. URL: https://ceur-ws.org/Vol-3917/paper57.pdf (дата звернення: 07.11.2025).
5. Method for cyberbullying neuronetwork detection using cloud services and object-oriented model / М. Молчанова та ін. Herald of Khmelnytskyi National University. Technical sciences. 2024. Vol. 333, no. 2. P. 200–206. https://doi.org/10.31891/2307-5732-2024-333-2 (дата звернення: 07.11.2025).
6. Verma R., Kumar K., Verma H. K. Code smell prioritization in object‐oriented software systems: A systematic literature review. Journal of Software: Evolution and Process. 2023. https://doi.org/10.1002/smr.2536 (дата звернення: 07.11.2025).
7. Load Balancing in cloud Environment: A State of-the-Art Review / Y. Lohumi et al. IEEE Access. 2023. P. 1. https://doi.org/10.1109/access.2023.3337146 (дата звернення: 07.11.2025).
8. OffensEval 2023: Offensive language identification in the age of Large Language Models / M. Zampieri et al. Natural Language Engineering. 2023. Vol. 29, no. 6. P. 1416–1435. https://doi.org/10.1017/ s1351324923000517 (дата звернення: 07.11.2025).
9. SemEval-2021 Task 5: Toxic Spans Detection / J. Pavlopoulos et al. Proceedings of the 15th International Workshop on Semantic Evaluation (SemEval-2021), Online. Stroudsburg, PA, USA, 2021. https://doi.org/10.18653/ v1/2021.semeval-1.6 (дата звернення: 07.11.2025).
10. Sihab-Us-Sakib S., Rahman M. R., Forhad M. S. A., Aziz M. A. Cyberbullying detection of resource constrained language from social media using transformer-based approach. Natural Language Processing Journal. 2024. Vol. 9. Article No. 100104. https://doi.org/10.1016/j.nlp.2024.100104 (дата звернення: 07.11.2025).
11. Aliyeva Ç. O., Yağanoğlu M. Deep learning approach to detect cyberbullying on twitter. Multimedia Tools and Applications. 2024. https://doi.org/10.1007/s11042-024-19869-3 (дата звернення: 07.11.2025).
12. Yi P., Zubiaga A. Session-based cyberbullying detection in social media: A survey. Online Social Networks and Media. 2023. Vol. 36. P. 100250. https://doi.org/10.1016/j.osnem.2023.100250 (дата звернення: 07.11.2025).
13. HateXplain: A Benchmark Dataset for Explainable Hate Speech Detection / B. Mathew et al. Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Vol. 35, no. 17. P. 14867–14875. https://doi.org/10.1609/ aaai.v35i17.17745 (дата звернення: 07.11.2025).
14. Hate-speech-CNERG/hatexplain · Datasets at Hugging Face. Hugging Face – The AI community building the future. URL: https://huggingface.co/datasets/Hate-speech-CNERG/hatexplain (дата звернення: 07.11.2025).
15. Cyberbullying Classification. Kaggle. URL: https://www.kaggle.com/datasets/andrewmvd/cyberbullying- classification (дата звернення: 07.11.2025).
16. Cyberbullying Detection. Kaggle. URL: https://www.kaggle.com/datasets/gbiamgaurav/cyberbullying- detection (дата звернення: 07.11.2025).
17. GPT-5. OpenAI. URL: https://openai.com/gpt-5/ (дата звернення: 07.11.2025).
18. BERT applications in natural language processing: a review / N. M. Gardazi et al. Artificial Intelligence Review. 2025. Vol. 58, no. 6. https://doi.org/10.1007/s10462-025-11162-5 (дата звернення: 07.11.2025).
Опубліковано
2026-01-27
Як цитувати
Молчанова, М. О., Андрощук, В. І., Шурипа, М. О., & Мазурець, О. В. (2026). ОБ’ЄКТНО-ОРІЄНТОВАНИЙ ПІДХІД ДО НЕЙРОМЕРЕЖЕВОГО ВИЯВЛЕННЯ СУБ’ЄКТІВ КІБЕРБУЛІНГУ ЗА ПОВІДОМЛЕННЯМИ У КЕРОВАНОМУ ХМАРНОМУ СЕРЕДОВИЩІ. Системи та технології, 71(1), 73-80. https://doi.org/10.32782/2521-6643-2026-1-71.10
Розділ
КОМП’ЮТЕРНІ НАУКИ