XiaoMi-AI文件搜索系统
World File Search Systembullying
工作场所依恋风格对工作场所欺凌与工作参与之间关系的反向缓冲效果
使用工作需求 - 资源模型，本研究调查了工作场所的依恋风格，作为工作参与的预测指标和工作场所欺凌的良好脱离效果的主持人。作为个人资源，我们假设安全的工作场所依恋将促进工作参与度，而两种类型的不安全的工作场所附件（即，避免和居住）都会相反。以前的工作还使我们期望工作场所欺凌和参与之间的关系会更强，而当目标期望它充当工作资源（即安全工作场所依恋），而当他们的工作模型与工作场所侵略一致时，则更弱。使用该过程宏，我们在完成在线调查的法国办公室员工（n = 472）的便利样本中测试了这些假设。安全的工作场所依恋与较高的工作参与度有关，同时工作场所的依恋不安全和欺凌观念与工作参与负面影响。支持我们的假设，对工作场所欺凌的感觉与具有安全的工作场所依恋风格的员工的脱离关系最重要，而在其他工作场所则较少。我们的结果远没有推荐不安全的债券作为保护，而是强调了防止所有形式的工作场所侵略的必要性，从而使员工能够依靠自己的工作环境作为工作资源。
社交媒体平台上的网络欺凌检测...
社交媒体中的摘要网络欺凌会显着影响个人的心理健康，并为创建安全的在线环境，尤其是在非英语社区中构成值得注意的障碍。应对网络欺凌挑战需要社区，教育工作者和技术平台开发人员或设计师的合作努力。这项研究的主要关注点是利用各种机器学习（ML）方法来检测孟加拉语的网络欺凌。网络欺凌的孟加拉数据集涵盖了一系列文本，包括网络欺凌和非纤维欺凌内容。该数据集经历了预处理阶段，同时利用多种技术（包括令牌化，数据增强和转换为序列），以促进为各种ML方法创建适当的输入，例如XGBOOST（XGB）（XGB），例如梯度增强（GB），决策Tree Tree Tree Tree Tree Tree Tree Tree Tree Tree Tree Tree Tree Tree Trees（DT），Ann ne ne forter ne forter（dt），人为（Ann），人为（ANN），人为（RF），RF，RF，RF，RF，RF，RF，RF，RF，RF，RF，RF，RF，RF，RF，RF。 （CNN）和长期记忆（LSTM）。数据是使用来自不同社交媒体平台的Web刮擦收集的，其中包含五个不同的类别：中性，威胁，巨魔，政治和性类别。实验结果表明，所提出的网络欺凌检测模型的LSTM具有99.80％的特殊精度，超过了其他基于深度学习的算法。相反，XGB在相同的数据集中实现了超过74％的值得称赞的精度，表现优于其他传统的ML算法。这些发现对预防和减轻网络欺凌的积极措施产生了重大贡献，最终为在孟加拉国沟通的个人提供了更安全的在线环境。
如何通过机器学习识别网络欺凌
摘要。网络欺凌是一种欺凌的形式，它已经出现，与社交媒体用户的指数增加有关。社交网络为这些欺凌者提供了一个合适的环境，以攻击并在受害者中引起严重的心理问题。为了减轻这些问题，积极的措施对于在传播有害内容之前检测和防止网络欺凌至关重要。考虑到了这一问题，本文提出了一种将TF-IDF与机器学习模型相结合的方法，以自动识别网络欺凌。使用诸如精度和F1评分等指标来评估这些模型，以识别和分类网络欺凌实例。该研究旨在为能够在社交媒体平台上抢先解决网络欺凌的自动化系统的发展做出贡献。
年轻人中的网络欺凌：选定成员国的法律和政策
一般而言，网络欺凌被理解为在数字空间中发生的欺凌行为。使用数字工具是不同定义的共同特征，以及损害，羞辱或恐吓另一个人的意图以及威胁的重复。社交媒体和互联网通常向肇事者提供匿名，并有可能立即将有害内容传播给更广泛的受众。此外，这些信息仍保留在线，其中删除通常很困难。年轻人中的网络欺凌率令人震惊。缺乏共同的定义对现象的测量有影响。数据收集因国家 /地区而异。尽管如此，现有的研究和数据总体上清楚地表明了网络欺凌的程度和范围及其对受害者的影响。网络欺凌的影响
推荐引用 推荐引用 Simpson, Jesse D.，“人工智能和图论在网络欺凌中的应用”（2020 年）。密歇根州立大学研究生论文。3535。https://bearworks.missouristate.edu/theses/3535
网络欺凌是当今在线社交媒体中持续存在的破坏性问题。辱骂用户利用社交媒体向无辜的社交媒体用户发送帖子、私人消息、推文或图片，进行网络骚扰。检测和预防网络欺凌案件至关重要。在这项工作中，我分析了多种机器学习、深度学习和图形分析算法，并探索了它们的适用性和性能，以寻求一个强大的网络欺凌检测系统。首先，我评估了机器学习算法支持向量机、朴素贝叶斯、随机森林、决策树和逻辑回归的性能。这产生了积极的结果，并获得了 86% 以上的准确率。使用进化算法实现了进一步的增强，从而改善了机器学习模型的整体结果。深度学习算法是下一个实验，其中从训练时间和性能方面监测效率。接下来，进行了循环神经网络和分层注意力网络的分析，准确率达到 82%。最终的研究项目使用图形分析来探索不同社交媒体用户之间的关系，并分析发现发布攻击性消息的用户的连通性和社区。
网络欺凌：数字大流行 - 大象
欧洲与非洲的距离也为非洲的发展埋下了一道长期的障碍：西方援助行业。无论我在海地还是乍得，西方非政府组织、发展机构、援助车队和各种伪装成善意的掠夺——从非洲非法流出的资金比收到的贷款和援助加起来还多 400 亿美元——的绝对主导地位是我在 25 年前在东南亚从未见过的。行业寻找增长机会。东亚拥有强大公共系统的发达社会几乎没有救世主。曼谷和河内的街道两旁停满了丰田汽车和游客，而不是开着装甲车、背着白人负担的睁大眼睛的年轻人。我有幸遇到的发展行业及其大多数参与者都是有毒的。非洲大片地区仍处于另一种占领之下。
英国社会关于心脏病学欺凌，骚扰和歧视的立场声明
1 Keble College, University of Oxford, Oxford, UK 2 Cardiology Department, Royal Berkshire NHS Foundation Trust, Reading, UK 3 Barts Heart Centre, St Bartholomew's Hospital, London, UK 4 Cardiology Department, University Hospitals Coventry and Warwickshire NHS Trust, Coventry, UK 5 Warwick Medical School, University of Warwick, Coventry, UK 6 British Cardiovascular Society, London, UK 7 Cardiology Department, Liverpool Heart and Chest Hospital NHS Foundation Trust, Liverpool, UK 8 Coronary Research Group, University Hospital Southampton NHS Foundation Trust, Southampton, UK 9 Faculty of Medicine, University of Southampton, Southampton, UK 10 Cardiology, Leeds Teaching Hospitals NHS Trust, Leeds, UK 11 Biomedical Imaging Sciences, University of Leeds, Leeds, UK 12 Guy's ＆St Thomas的医院，英国伦敦雷恩学院国王学院
脑形态计量学的纵向改变介导了欺凌受害者对前培养老者认知发展的影响。
欺凌受害与在成年期间自杀的风险增加了一倍。两项纵向脑形态计量学研究确定了梭形的回和壳骨很容易受到欺凌。尚无研究确定神经改变如何介导欺凌对认知的影响。我们从青春期脑认知发展研究数据集中评估了护理人员报告的欺凌（n = 323）的参与者（n = 323），并匹配的非爆炸对照（n = 322），以识别与正在进行的欺凌受害者相关的脑形态变化的变化，并确定这种变化是否介导了对认知的影响。Bullied children (38.7% girls, 47.7% racial minorities, 9.88 ± 0.62 years at baseline) had poorer cognitive performance (P < 0.05), larger right hippocampus (P = 0.036), left entorhinal cortex, left superior parietal cortex, and right fusiform gyrus volumes (all P < 0.05), as well as larger surface areas in multiple other额叶，顶叶和枕皮层。较薄的皮质。重要的是，梭形皮质中的较大表面积部分受到部分抑制（12-16％），并且部分抑制了前心皮质，（7％）欺凌对认知的影响（p <0.05）。这些发现突出了长时间欺凌受害对脑形态计量和认知的负面影响。
从青少年角度看基于人工智能的网络欺凌干预的有效性
网络欺凌，无论是在线还是数字欺凌，都继续给儿童和年轻人带来严重问题。它指的是各种形式的故意伤害行为，包括攻击性消息、帖子和评论；创建羞辱某人的页面或帐户；以及故意将某人排除在群组或在线活动之外（Hinduja & Patchin，2015）。网络欺凌通常是一种重复行为，但一次性帖子可以被更多人查看和重新分享，也可能是网络欺凌。网络欺凌还包括权力不平衡的因素：肇事者在某种程度上比受害者更强大。线下，这可能意味着身体更强壮，但线上可能更难建立，范围从更熟练的数字技能到能够实施犯罪，再到拥有更多的社会资本（例如，受欢迎程度，可能体现在更多的追随者身上）（Kowalski & McCord，2020；O'Higgins Norman，2020；Smith，2016）。尽管如此，可以说拥有重要社会资本（例如，大量追随者或影响者地位）的年轻人也可能成为目标，因此成为权力的标准
