Da Slang das Erken­nen von Mob­bing erschwert, iden­ti­fi­ziert ein Pro­gramm soziale Struk­tu­ren statt spe­zi­fi­sche Wörter.

For­scher der Vir­gi­nia Poly­tech­nic Insti­tute and State Uni­ver­sity haben einen neuen Algo­rith­mus ent­wi­ckelt, der Cyber-Bul­ly­ing auf die Schli­che kommt. Das Pro­gramm basiert auf maschi­nel­lem Ler­nen. Es hebt sich von her­kömm­li­chen Tools zur Iden­ti­fi­zie­rung von Inter­net-Mob­bing dadurch ab, dass es sich auf soziale Struk­tu­ren sowie Mus­ter statt auf spe­zi­fi­sche Wör­ter fokussiert.
“Die Idee dahin­ter ist, ein Com­pu­ter­pro­gramm mit Bei­spie­len von Cyber-Bul­ly­ing zu füt­tern. Anschlie­ßend erstellt der Algo­rith­mus auf Basis des Daten­ma­te­ri­als ein Modell”, erklärt Bert Huang vom Vir­gi­nia Tech Depart­ment of Com­pu­ter Sci­ence. Das Pro­gramm lie­fere eine Liste an Inter­ak­tio­nen zwi­schen Online-Usern und stelle fest, ob diese sich gegen­sei­tig schi­ka­niert haben.

Blo­ckade pro­vo­ziert Mobber
“Ein Ziel besteht in der Koope­ra­tion mit sozia­len Netz­wer­ken”, fügt der Com­pu­ter­wis­sen­schaft­ler hinzu. Somit werde dem Auf­tre­ten von Cyber-Mob­bing im Vor­feld ent­ge­gen­ge­wirkt. Den­noch betont Huang, dass ein der­ar­ti­ger Algo­rith­mus auch Gefah­ren birgt. So könne es zu einer Eska­la­tion kom­men, wenn Mob­ber sich durch eine Blo­ckade pro­vo­ziert fühlen.
Die Risi­ken, wel­che von der­ar­ti­gen Tools aus­ge­hen, bestä­tigt auch Mat­thias Jax von Safer­inter­net. “Obwohl ich in die­sem Ansatz ein gro­ßes Poten­zial sehe, kann hier viel pas­sie­ren. Trotz Imple­men­tie­rung sol­cher Algo­rith­men bleibt ein medi­en­kom­pe­ten­ter Umgang mit dem Inter­net, zu dem auch Schu­lun­gen gehö­ren, uner­läss­lich”, fasst Jax zusammen.