Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

SynBullying: A Multi LLM Synthetic Conversational Dataset for Cyberbullying Detectio

Created by
  • Haebom
Category
Empty

저자

Arefeh Kazemi, Hamza Qadeer, Joachim Wagner, Hossein Hosseini, Sri Balaaji Natarajan Kalaivendan, Brian Davis

개요

본 논문은 사이버 불링(CB) 연구 및 탐지를 위해 개발된 합성 다중 LLM 대화형 데이터셋인 SynBullying을 소개합니다. SynBullying은 실제 불링 상호 작용을 시뮬레이션하기 위해 대규모 언어 모델(LLM)을 활용하여, 인간 데이터 수집에 대한 확장 가능하고 윤리적으로 안전한 대안을 제시합니다. 이 데이터셋은 (i) 고립된 게시물이 아닌 다중 턴 교환을 포착하는 대화형 구조, (ii) 맥락, 의도 및 담론 역학을 고려하여 유해성을 평가하는 맥락 인식 주석, (iii) 상세한 언어 및 행동 분석을 위한 다양한 CB 범주를 포함하는 세분화된 라벨링을 제공합니다. SynBullying은 대화형 구조, 어휘 패턴, 감성/유해성, 역할 역학, 해악 강도 및 CB 유형 분포를 포함한 5가지 차원에서 평가되었습니다. 또한, CB 분류를 위한 독립형 훈련 데이터 및 증강 소스로서의 성능을 검증합니다.

시사점, 한계점

•
시사점:
◦
사이버 불링 연구를 위한 안전하고 확장 가능한 데이터셋 제공.
◦
다중 턴 대화 구조를 통해 실제 불링 상황을 더 잘 반영.
◦
맥락 정보를 고려한 정확한 유해성 평가.
◦
세분화된 라벨링을 통해 다양한 CB 유형 분석 가능.
◦
CB 분류 모델의 성능 향상에 기여.
•
한계점:
◦
합성 데이터의 현실성 한계.
◦
LLM 생성 데이터의 편향성.
◦
데이터셋의 일반화 가능성.
◦
데이터 생성 및 평가에 사용된 특정 LLM의 영향.
👍
Made with Slashpage