Ein Einheitliches System zur Identifikation von Aggression in englischen codeswitchenden und einlingualen Texten

Die weit verbreitete Nutzung sozialer Medienplattformen hat das Risiko von Aggression erhöht, was zu psychischer Belastung führt und das Leben der Menschen negativ beeinflusst, wie z.B. psychische Qualen, aggressives Verhalten und Respektlosigkeit gegenüber anderen. Die Mehrheit dieser Konversationen enthält sprachliche Codeschaltungen [28]. Zudem ändert sich die Art, wie Gedanken ausgedrückt werden oder der Kommunikationsstil, von einer sozialen Medienplattform zur anderen (z.B. unterscheiden sich die Kommunikationsstile in Twitter und Facebook). All dies hat die Komplexität des Problems erhöht. Um diese Probleme zu lösen, haben wir eine einheitliche und robuste multimodale Tiefenlernarchitektur eingeführt, die sowohl für englische codeschaltende Datensätze als auch für einlinguale englische Datensätze funktioniert. Das entwickelte System verwendet psycho-linguistische Merkmale sowie sehr grundlegende linguistische Merkmale. Unsere multimodale Tiefenlernarchitektur umfasst Deep Pyramid CNN, Pooled BiLSTM und getrennte RNN (mit GloVe- und FastText-Einbettungen, beides). Schließlich trifft das System seine Entscheidung auf Basis des Modell-Durchschnitts. Wir haben unser System anhand des englischen codeschaltenden TRAC 2018-Datensatzes und eines einlingualen englischen Datensatzes aus Kaggle evaluiert. Die experimentellen Ergebnisse zeigen, dass unser vorgeschlagenes System alle bisherigen Ansätze sowohl im codeschaltenden als auch im einlingualen englischen Datensatz übertrifft.