Detection of Cyberbullying from Turkish Texts with Artificial Intelligence and Natural Language Processing

Öz

Research Problem/Questions – Is it possible to automatically detect cyberbullying content in Turkish online conversations using artificial intelligence and natural language processing techniques? Can classical machine learning and deep learning models provide significant accuracy and performance outcomes for this purpose? Short Literature Review – Prior research has mostly concentrated on English data, demonstrating the efficacy of NLP and deep learning techniques to detect cyberbullying. However, there is a lack of studies on morphologically complicated and low-resourse languages like Turkish. This circumstance highlights the necessity for linguistic adaptation and modeling. Methodology – This study comparatively employed traditional machine learning and deep learning techniques for the detection of cyberbullying in Turkish texts. Traditional models (LR, SVM, KNN, RF) utilized TF-IDF for text representation, whereas deep learning models employed the FastText word embedding approach. Although deep learning models like GRU, BiGRU, CNN, and BiLSTM show high accuracy, the optimal performance was achieved by the BiLSTM and BiGRU models, with 96% accuracy. Results – Deep learning models have achieved notable success in detecting cyberbullying, achieving accuracy rates reaching up to 96%. The findings reveal that AI and NLP -based solutions can be effective in more complicated and low-resources languages, such as Turkish, and provide considerable potential for better security in digital contexts.

Anahtar Kelimeler

• Artificial Intelligence
• Cyberbullying detection
• NLP
• Turkish
• Deep Learning

Yapay Zeka ve Doğal Dil İşleme ile Türkçe Metinlerden Siber Zorbalık Tespiti

Öz

Siber zorbalık, dijital platformların yaygınlaşmasıyla birlikte ciddi bir toplumsal tehdit haline gelmiştir. Anonimliğin sağladığı sahte güven ortamı, bireylerin gerçek dünyada sergilemekten kaçındıkları saldırgan davranışları sanal ortamlarda rahatça uygulayabilmelerine neden olmaktadır. Siber zorbalık sadece mağdurlar üzerinde psikolojik ve sosyal tahribat yaratmakla kalmayıp, zamanla mağdurların da benzer davranış biçimlerini benimsemelerine neden olarak, adeta bulaşıcı bir hastalık gibi yayılabilmektedir. Bu tür içeriklerin manuel olarak tespiti, hem zaman hem de insan kaynağı açısından son derece maliyetli ve verimsizdir. Bu nedenle, doğal dil işleme (NLP) ve yapay zeka tabanlı otomatik tespit sistemlerinin geliştirilmesi büyük önem taşımaktadır. Literatürde İngilizce gibi yaygın diller üzerine yapılan çalışmalar yoğunlukta olsa da, Türkçe gibi morfolojik açıdan zengin ve kaynak bakımından kısıtlı diller için siber zorbalık tespiti hâlâ gelişmekte olan bir araştırma alanıdır. Bu çalışmada, Türkçe metinler üzerinde geleneksel makine öğrenmesi yöntemleri (TF-IDF + SVM gibi) ile derin öğrenme tabanlı modeller (GRU, BiGRU, CNN, BiLSTM) karşılaştırmalı olarak incelenmiştir. Derin öğrenme modellerinde kelime temsili için FastText embedding yöntemi kullanılmış ve BiLSTM ile BiGRU modelleri %96 doğruluk oranına ulaşarak en yüksek performansı göstermiştir. Bulgular, yapay zeka destekli NLP çözümlerinin Türkçe dijital metinlerde siber zorbalığın etkin bir şekilde tespiti için güçlü bir araç sunduğunu ortaya koymaktadır.

Anahtar Kelimeler

• Yapay Zeka
• Siber Zorbalık tespiti
• NLP
• Türkçe
• Derin Öğrenme

Kaynakça

1. [1] Aktepe, E. (2013, February). Ergenlerde Siber Zorbalık ve Siber Mağduriyet. In Yeni Symposium (Vol. 51, No. 1).
2. [2] Akca, E. B., & Sayımer, İ. (2017). Siber zorbalık kavramı, türleri ve ilişkili olduğu faktörler: Mevcut araştırmalar üzerinden bir değerlendirme. AJIT-e: Academic Journal of Information Technology, 8(30), 7-19.
3. [3] Canbay, P., & Ekinci, E. (2023). Derin ve Sığ Makine Öğrenmesi Yöntemleri ile Türkçe Tweetlerden Saldırgan Dil Tespiti. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 16(1), 1-10.
4. [4] Canbay, P., & Bölücü, N. (2022, May). A Language-Free hate speech identification on code-mixed conversational tweets. In The International Conference on Artificial Intelligence and Applied Mathematics in Engineering (pp. 102-108). Cham: Springer International Publishing.
5. [5] Nadali, S., Murad, M. A. A., Sharef, N. M., Mustapha, A., & Shojaee, S. (2013, December). A review of cyberbullying detection: An overview. In 2013 13th international conference on intellient systems design and applications (pp. 325-330). IEEE.
6. [6] Iwendi, C., Srivastava, G., Khan, S., & Maddikunta, P. K. R. (2023). Cyberbullying detection solutions based on deep learning architectures. Multimedia Systems, 29(3), 1839-1852.
7. [7] Rosa, H., Pereira, N., Ribeiro, R., Ferreira, P. C., Carvalho, J. P., Oliveira, S., ... & Trancoso, I. (2019). Automatic cyberbullying detection: A systematic review. Computers in Human Behavior, 93, 333-345.
8. [8] Bozyiğit, A., Utku, S., & Nasibov, E. (2021). Cyberbullying detection: Utilizing social media features. Expert Systems with Applications, 179, 115001.

9. [9] S.M. Sadigzade, “Sosyal medyada sanal zorbalığın tespiti,” Master’s thesis, Dokuz Eylul Universitesi (Turkey), 2022.
10. [10] Özel, S. A., Saraç, E., Akdemir, S. & Aksu, H. (2017). Detection of cyberbullying on social media messages in turkish. In 2017 International conference on computer science and engineering (UBMK) (pp. 366–370). IEEE.
11. [11] Oflazer, K. (2016). Türkçe ve doğal dil işleme. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5(2).
12. [12] Sadigzade, M., & Nasibov, E. (2022). Comparatıve Analysıs Of Count Vectorızatıon Vs Tf-Idf Vectorızatıon For Detectıng Cyberbullyıng In Turkısh Twıtter Messages. Journal of Modern Technology & Engineering, 7(1).
13. [13] Qi, P., Zhang, Y., Zhang, Y., Bolton, J., & Manning, C. D. (2020). Stanza: A Python natural language processing toolkit for many human languages. arXiv preprint arXiv:2003.07082.
14. [14] Ribeiro, M. T., Singh, S., & Guestrin, C. (2016, August). " Why should i trust you?" Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 1135-1144).