Sistema de clasificación automática de mensajes de cyberbullying que identifica diferentes tipos de discriminación (étnica, religiosa, de género, edad u otros) usando técnicas de NLP y machine learning.

• Alejandro Joel Ore Garcia
• Iam André Salvador Cucho Jordán
• Jose Guillermo Gálvez Pacori
• Héctor Sebastian Nieto Paz

• No Cyberbullying: Mensajes sin contenido ofensivo
• Ethnicity/Race: Discriminación étnica o racial
• Religion: Ataques hacia creencias religiosas
• Gender/Sexual: Acoso relacionado con género o orientación sexual
• Age: Discriminación por edad
• Other Cyberbullying: Otras formas de acoso

TF-IDF - Características basadas en frecuencia de términos con n-gramas (1,2) y 5,000 dimensiones

BERT - Embeddings contextuales de 768 dimensiones usando bert-base-uncased con fine-tuning específico

TF-IDF: Random Forest, Regresión Logística, Naive Bayes Multinomial

BERT: Fine-tuning estándar y optimizado con técnicas de regularización avanzadas

ultima_bala/
├── datasets/                 # Datos de entrenamiento y prueba
├── experiment/              # Scripts de experimentación BERT y TF-IDF
├── feature_extraction/      # Extracción de características
├── preprocessing/           # Limpieza y preparación de datos
├── plots/                  # Visualizaciones generadas
├── *.slurm                # Configuraciones para cluster SLURM
└── setup_*.sh             # Scripts de configuración automática

git clone https://github.com/flauts/Proyecto-Machine-Learning-P3
cd ultima_bala
python3 -m venv env
source env/bin/activate
pip install -r requirements.txt

En Cluster SLURM:

# Extracción de características
bash setup_feature_extraction.sh

# Experimentación completa
bash setup_experiment.sh

# O individualmente
sbatch bert_experiment.slurm
sbatch tfidf_experiment.slurm

Los modelos entrenados, resultados y métricas se generan automáticamente al ejecutar los scripts SLURM.

Fortalezas de BERT:

• Discriminación étnica: F1 = 99%
• Cyberbullying religioso: F1 = 96%
• Acoso por edad: F1 = 98%

Principales desafíos:

• Distinción entre "no cyberbullying" y "otro cyberbullying"
• Casos con contexto ambiguo

Fuente: Cyberbullying Classification Dataset

• 46,017 mensajes de Twitter
• Distribución balanceada entre 6 categorías
• Preprocesamiento: eliminación de URLs, menciones y emojis

Bot de Discord implementado: BufordBot - Detección de cyberbullying en tiempo real con especificación de tipo y nivel de confianza.

Proyecto desarrollado en UTEC usando el cluster Khipu para experimentación.