Detecção de Cyberbullying com Abordagens de Deep Learning em uma Base Multiclasse

Resumo

O cyberbullying caracteriza-se por comportamentos agressivos e repetitivos em ambientes digitais, com o objetivo de infligir danos psicológicos e emocionais através de humilhações, ameaças e difamações. Dado o volume massivo de dados gerados online, a moderação humana torna-se inviável devido a limitações de escalabilidade, custos e sobrecarga cognitiva, tornando indispensável o desenvolvimento de ferramentas de detecção automatizada. Embora modelos de Aprendizado de Máquina (AM) sejam eficazes na identificação de padrões textuais, a variabilidade da linguagem natural (e.g., gírias, abreviações) impõe desafios persistentes. Esta pesquisa investiga abordagens para mitigar tais desafios em uma base de dados multiclasse, avaliando o desempenho de métodos de word embedding (Word2Vec e FastText) integrados a algoritmos de aprendizado profundo (LSTM e GRU), com a incorporação de mecanismos de atenção e camadas bidirecionais. A avaliação utilizou métricas de acurácia, precisão, recall, F1-Score e análise de matriz de confusão. Os resultados indicam que, para vetores Word2Vec, o modelo BiGRU com atenção obteve o melhor desempenho (Precisão: 82%; Recall: 80,5%; F1-Score: 80,3%; Acurácia: 81%). Em contrapartida, com o uso de FastText, o modelo BiLSTM apresentou os melhores resultados (Precisão: 81,3%; Recall: 79,2%; F1-Score: 79%; Acurácia: 79%).