比较机器学习模型,专注于调子在理聊天日志
1Department of Informatics and Media, Uppsala University, Uppsala, Sweden.
Frontiers in pediatrics
|July 4, 2025
概括
与传统的机器学习相比,新的深度学习模型,如LLaMA 3.2 1B,显著提高了在线儿童理对话和掠夺性作者的检测. 积极的音调有助于检测,而消极的音调则带来了挑战.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 儿童在网上面临性掠夺者的重大风险.
- 修饰涉及掠夺者在网上聊天室与未成年人联系,以进行性虐待.
研究的目的:
- 将深度学习模型与传统机器学习进行比较,以检测理对话和作者.
- 分析捕食者声调及其对检测准确性的影响.
- 增强自动理检测,以保护儿童.
主要方法:
- 使用了包含理对话的PAN12聊天日志数据集.
- 使用DistilBERT分类器分类聊天情绪.
- 经过训练和微调的支持矢量机器 (SVM) 和LLaMA 3.2 1B大语言模型.
主要成果:
- 与传统的机器学习相比,LLaMA 3.2 1B在修饰检测方面表现优越.
- 理对话中的积极情绪提高了检测率.
- 负面调的理对话表现出复杂的模式,使得它们更难被发现.
- 在作者检测方面,LLaMA 3.2 1B获得了高F1得分 (0.99),优于其他模型.
结论:
- 大型语言模型为识别在线理行为提供了先进的功能.
- 了解捕食者的沟通策略,包括音调变化,对于有效的检测至关重要.
- LLaMA 3.2 1B代表了保护未成年人免受在线剥削的重大进展.
