Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Ανάλυση μέσων κοινωνικής δικτύωσης εστιασμένης στην ανίχνευση Troll

Koutra Panagiota

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/CD32B0A5-46BF-4DE9-8855-CBD48F8B53CC-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.101219-
Γλώσσαen-
Μέγεθος74 pagesen
Μέγεθος4.4 megabytesen
ΤίτλοςSocial media analysis targeting Troll detection en
ΤίτλοςΑνάλυση μέσων κοινωνικής δικτύωσης εστιασμένης στην ανίχνευση Troll el
ΔημιουργόςKoutra Panagiotaen
ΔημιουργόςΚουτρα Παναγιωταel
Συντελεστής [Επιβλέπων Καθηγητής]Ioannidis Sotiriosen
Συντελεστής [Επιβλέπων Καθηγητής]Ιωαννιδης Σωτηριοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Lagoudakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Λαγουδακης Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Spyropoulos Thrasyvoulosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Σπυροπουλος Θρασυβουλοςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠεριγραφήΔιπλωματική εργασία που υποβλήθηκε στη σχολή ΗΜΜΥ του Πολ. Κρήτης για την πλήρωση των προϋποθέσεων λήψης του διπλώματος.el
ΠερίληψηSocial networks have transformed the way people interact, share information, and express opinions; however, they have introduced significant challenges, notably the rise of trolling behavior. Trolling involves posting inflammatory or disruptive messages that degrade online discourse, spread misinformation, and foster a toxic environment. This thesis addresses the challenge of troll detection using artificial intelligence (AI) and natural language processing (NLP) techniques. Troll detection is approached through text classification, which distinguishes between troll and non-troll content using various machine learning algorithms. This study compares Logistic Regression, Naive Bayes, SVM, and the pre-trained DeBERTa model. The results show that DeBERTa outperforms the other methods in terms of accuracy, precision, F1-score, and recall. Furthermore, the thesis examines the generalization capabilities of the DeBERTa model by testing it on unseen data from different sources through zero-shot and one-shot predictions. The model shows satisfactory performance in zero-shot predictions and good results in one-shot predictions. The final phase focuses on developing a general model that accurately predicts trolling behavior across different datasets. Scale-invariant fine-tuning (SiFT) was applied to improve the model’s performance and showed significant improvement.en
ΠερίληψηΤα μέσα κοινωνικής δικτύωσης έχουν μεταμορφώσει τον τρόπο με τον οποίο οι άνθρωποι αλληλεπιδρούν, μοιράζονται πληροφορίες και εκφράζουν απόψεις, ωστόσο έχουν εισάγει σημαντικές προκλήσεις, ιδίως την αύξηση της συμπερι- φοράς τρολαρίσματος. Το τρολάρισμα περιλαμβάνει τη δημοσίευση μηνυμάτων με καυστικό λόγο, μηνυμάτων που έχουν σκοπό να διαταρράξουν τον διαδι- κτυακό διάλογο, που διαδίδουν παραπληροφόρηση και καλλιεργούν ένα τοξικό περιβάλλον. Η παρούσα διπλωματική εργασία ασχολείται με την δημιουργία με- θόδων ανίχνευσης τρολ χρησιμοποιώντας τεχνικές τεχνητής νοημοσύνης (AI) και της επεξεργασίας φυσικής γλώσσας (NLP). Η ανίχνευση τρολ προσεγγίζεται μέσω της τεχνικής text classification, η οποία κατηγοριοποιεί περιεχόμενο από τα μέσα κοινωνικής δικτύωσης ως τρολ και μη τρολ χρησιμοποιώντας διάφορους αλγορίθμους μηχανικής μάθησης. Η παρούσα εργασία συγκρίνει τις τεχνικές Logistic Regression, Naive Bayes, SVM και το pre - trained μοντέλο DeBERTa. Τα αποτελέσματα δείχνουν ότι το μοντέλο DeBERTa υπερτερεί των άλλων μεθόδων, αξιολογώντας την απόδοσή τους με τις μετρικές accuracy, precision, F1-score, και recall. Επιπλέον, η παρούσα έρευνα εξετάζει τις δυνατότητες γενίκευσης του μοντέλου DeBERTa, δοκιμάζοντάς το σε άγνωστα δεδομένα από διαφορετικές πηγές μέσω προβλέψεων. Το μοντέλο παρουσιάζει ικανοποιητικές επιδόσεις σε zero-shot predictions και ακριβείς σε one-shot predictions. Η τελική φάση επικεντρώνεται στην ανάπτυξη ενός γενικού μοντέλου που προ- βλέπει με ακρίβεια τη συμπεριφορά του τρολαρίσματος σε διαφορετικά σύνολα δεδομένων με διαφορετικούς τύπους τρολ. Εφαρμόζεται Scale-invariant FineTuning (SiFT) για τη βελτίωση των επιδόσεων του μοντέλου και παρουσιάζεται σημαντική βελτίωση.el
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2024-10-09-
Ημερομηνία Δημοσίευσης2024-
Θεματική ΚατηγορίαDeBERTaen
Θεματική ΚατηγορίαMachine learningen
Θεματική ΚατηγορίαNatural language processingen
Θεματική ΚατηγορίαText classificationen
Θεματική ΚατηγορίαTroll detectionen
Βιβλιογραφική ΑναφοράPanagiota Koutra, "Social media analysis targeting Troll detection", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024en
Βιβλιογραφική ΑναφοράΠαναγιώτα Κούτρα, "Ανάλυση μέσων κοινωνικής δικτύωσης εστιασμένης στην ανίχνευση Troll ", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά