Privacy-Aware Code-Mixed Cyberbullying Dataset for Session-Based Analysis

Carlin Chun Fai Chu

doi:10.3390/data11030051

Privacy-Aware Code-Mixed Cyberbullying Dataset for Session-Based Analysis

2026-03-05

0

PRE

AI

C

Carlin Chun Fai Chu *

DOI：10.3390/data11030051

原文链接

原文求助

摘要

En 中文

网络欺凌行为在不同地区表现出独特性，其形成深受当地俚语、方言表达和文化背景的影响。混合代码的中文-英文口语语言（粤语）在香港、澳门和中国南部部分地区普遍使用。代码混合是指同时使用多种语言，而粤语文本包含独特的语音、词汇和句法特征，这些特征在为中文或英文应用开发的语料库中并未体现。本研究开发了一个注重隐私的混合代码网络欺凌数据集（PCCD），包含14,115条标注推文，分为1668个会话。其中个人信息和知名标识符（如名人、政治家和组织的名称）被替换为随机生成的虚拟名称。匿名数据在精确度、召回率和F-1分数方面表现出改进的性能，表明在处理未见参与者时具有更强的泛化能力。据我们所知，PCCD是首个包含施暴者和受害者身份标注的混合代码中文-英文数据集。我们的数据集有助于开发稳健的网络欺凌检测工具，研究人员和开发者可利用其准确衡量对话会话中的攻击性、攻击频率以及施暴者-受害者权力不平衡。

Keyword:

cyberbullying

code-mixed language

session-based annotation

large language models

prompt engineering

Privacy-Aware Code-Mixed Cyberbullying Dataset for Session-Based Analysis

摘要

期刊

机构

引用论文