Siber Zorbalık Tespit Yöntemleri Potansiyel Uygulama Alanları ve Zorluklar

Yıl 2021, , 23 - 35, 13.01.2021

Enver Yazğılı Muhammet Baykara

https://doi.org/10.24012/dumf.859651

Cited By: 3

Öz

Dünya genelinde sosyal medya kullanıcılarının karşılaştığı sorunların başında gelen siber zorbalık gün geçtikçe daha da artmaktadır. İnsanlar arasında yaygınlaşan İnternet kullanımı, siber zorbalığın uygulama alanlarının da artmasına neden olmuştur. Siber zorbalar, İnternet üzerinden yapacakları zorbalıkların tespit edilememesi veya tespit edilse dahi yasal bir yaptırım uygulanmayacağı düşüncesiyle geleneksel zorbalığa oranla daha fazla zorbalık yapmaktadırlar. Artan siber zorbalık suçları, kurbanlarına psikolojik baskılar yaşatarak toplumdan dışlanmaları ve hatta intiharın eşiğine gelmelerine neden olmaktadır. Bu ve buna benzer sorunların önüne geçilmesi için siber zorbalığın anlık tespit edilmesi gerekir ancak bu oldukça güçtür. Bu problemin tespit edilmesi için literatürde çeşitli çalışmalar gerçekleştirilmiştir. Bu çalışmada öncelikle siber zorbalık ve türleri, tespit için kullanılan makine öğrenmesi yöntemleri ve algoritmaları ile literatürde yapılan çalışmalar sunulmuştur.

Anahtar Kelimeler

Bilgi güvenliği, siber zorbalık, siber suç, siber güvenlik

Kaynakça

• 1. Dijilopedi, URL: https://dijilopedi.com/2019-internet-kullanimi-ve-sosyal-medya-istatistikleri/ ( Erişim zamanı; Temmuz, 06, 2019).
• 2. Bertot, J. C. Jaeger, P. T. Hansen, D. “The İmpact Of Polices On Government Social Media Usage: Issues, Challenges, and Recommendations”, Government information quarterly, vol. 29, pp. 30-40, 2012.
• 3. Patel, P. Kannoorpatti, K. Shanmugam, B. Azam, S. Yeo, K. C. “A Theoretical Review Of Social Media Usage By Cybercriminals”, 2017 International Conference on Computer Communication and Informatics (ICCCI -2017), 5-7 January 2017, Coimbatore, India.
• 4. A. Aslan, B. O. Doğan, “Çevrimiçi Şiddet: Bir Siber Zorbalık Alanı Olarak “Potinss” Örneği”, Marmara İletişim Dergisi, Marmara Journal of Communication, Yıl / Year: 2017, Sayı / Issue: 27, ss/pp: 95-119, ISSN: 1300-4050, DOI: 10.17829/midr.20172729524
• 5. Varol Altay, E. Alataş, B. “ Detection of Cyberbullying in Social Networks Using Machine Learning Methods International Congress on Big Data”, Deep Learning and Fighting Cyber Terrorism, Ankara, Turkey, 3-4 December 2018.
• 6. Aksaray, S. “Siber Zorbalık”, Ç.Ü. Sosyal Bilimler Enstitüsü Dergisi, Cilt 20, Sayı 2, 2011, Sayfa 405-432
• 7. Žufić, J. Žajgar, T. Prkić, S. “Children Online Safety”, 2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), 22-26 May 2017, Opatija, Croatia.
• 8. Ravichandran, K. Arulchelvan, S. “The Model of Multilayer perceptron Analysed the Crime News Awareness in India”, 2017 International Conference on Advanced Computing and Communication Systems (ICACCS-2017), 06-07 January 2017, Coimbatore, India.
• 9. Weru, T. Sevilla, J. Oluku, J. Mutegi, L. Mberi, T. “Cyber-smart children, cyber-safe teenagers: Enhancing internet safety for children”, 2017 IST-Africa Week Conference (IST-Africa), Windhoek, 2017, pp. 1-8.
• 10. Baştürk Akca, E. Sayımer, İ. “Cyberbullying, It’s Tyeps And Related Factors: An Evaluation Through The Existing Studies”, AJIT-e: Online Academic Journal of Information Technology 2017-Special Issue/Özel Sayı-Cilt/Vol: 8‐Sayı/Num:30, http://www.ajite.org/?menu=pages&p=detailsofarticle&id=285. , Erişim Tarihi:06.01.2020.
• 11. Küçük, S. “Siber Zorbalik Ölçeği Türkçe Uyarlamasi”, İstanbul Üniversitesi,Adli Tip Enstitüsü 2016 , Sosyal Bilimler Anabilim Dali Yüksek Lisans Tezi
• 12. Öztürk, E. “Cyberbullyıng Detectıon Usıng Text Classıfıcatıon For Turkısh Language”, Çukurova Unıversıty Instıtute Of Natural And Applıed Scıences, Department Of Computer Engıneerıng Adana-2019
• 13. E. Baştürk Akca, İ. Sayımer, “Cyberbullying, It’s Tyeps And Related Factors: An Evaluation Through The Existing Studies”, AJIT-e: Online Academic Journal of Information Technology 2017-Special Issue/Özel Sayı-Cilt/Vol: 8‐Sayı/Num:30,
• 14. Idlebundle, URL: http://www.idlebundle.com/regression-analysis/ ( Erişim zamanı; Aralık, 25, 2019).
• 15. Atalay, M. Çelik, E. “Büyük Veri Analizinde Yapay Zekâ Ve Makine Öğrenmesi Uygulamaları”, Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt.9 Sayı.22 2017 - Aralık (s.155-172)
• 16. Çürük, E. “Sosyal Ağlardaki Siber Zorbalığın Yapay Zeka Algoritmaları İle Tespiti Ve Sınıflandırılması”, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Mersin Üniversitesi, 2018
• 17. Yavuz blog, URL: https://yavuz.github.io/dogrusal-coklu-dogrusal-polinomsal-regresyonlar/ (Erişim zamanı: Ocak, 03, 2020).
• 18. Aydın, C. “Makine Öğrenmesi Algoritmaları Kullanılarak İtfaiye İstasyonu İhtiyacının Sınıflandırılması”, Avrupa Bilim ve Teknoloji Dergisi Sayı 14, S.169-175, Aralık 2018
• 19. Medium, URL: https://medium.com/@k.ulgen90/makine-örenimi-bölüm-5-karar-ağaçları-c90bd7593010 (Erişim zamanı; Aralık, 03, 2019).
• 20. Devhunter, URL: https://devhunteryz.wordpress.com/2018/09/20/rastgele-ormanrandom-forest-algoritmasi/ (Erişim zamanı; Aralık, 03, 2019).
• 21. Cömert, Z. “Temel Bileşenler Analizine Genel Bir Bakış”, www.zafercomert.com, Erişim Tarihi:07.01.2020.
• 22. Şengöz, N.Özdemir, G. “Temel Bileşenler Analizi Ve K-Ortalama Kümeleme Yönteminin Birlikte Kullanımı: Bir Örnek Uygulama”, Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt.8 Sayı.15 2016 - Aralık (s.85-94)
• 23. Mustafaakca, URL: http://mustafaakca.com/k-means-kumeleme-algoritmasi/ (Erişim zamanı; Kasım, 15, 2019).
• 24. Erpolat, S. “Otomobil Yetkili Servislerinde Birliktelik Kurallarının Belirlenmesinde Apriori ve FP-Growth Algoritmalarının Karşılaştırılması”, Anadolu Üniversitesi Sosyal Bilimler Dergisi, Cilt/Vol.:12 -Sayı/No: 1 (151-166)
• 25. VBO, URL: https://www.veribilimiokulu.com/associationrulesanalysis/ (Erişim zamanı; Kasım, 27, 2019).
• 26. Sivri, E. Ş. “Veri Madenciliği/E-Ticaret İçin Ürün Tavsiye Sistemi Geliştirilmesi”, Yüksek Lisans Tezi Bilgisayar Mühendisliği Anabilim Dalı İstanbul - 2015
• 27. Ayaz, O.Alp, S. “Saklı Markov Modeli Kullanılarak İstanbul’daki Üniversite Öğrencilerinin GSM Operatör Tercihlerini Etkileyen Faktörlerin Analizi”, Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 33(4), ss. 203-212, Aralık 2018
• 28. Haidar, B. Chamoun, M. Serhrouchni, A. “Multilingual Cyberbullying Detection System Detecting Cyberbullying in Arabic Content”, 2017 1st Cyber Security in Networking Conference (CSNet), 18-20 October 2017, Rio de Janeiro, Brazil.
• 29. Alduailej, A. H. Khan, M. B. “The challenge of cyberbullying and its automatic detection in Arabic text”, 2017 International Conference on Computer and Applications (ICCA), 6-7 September 2017, Doha, United Arab Emirates.
• 30. Şeker, A. Diri, B. Balık, H. H. “Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme”, Gazi Mühendislik Bilimleri Dergisi 2017, 3(3): 47-64
• 31. Karabatak, S. Namlı, A. Karabatak, M. “Perceptions of High School Students Regarding Cyberbullying and Precautions on Coping with Cyberbullying”, 2018 6th International Symposium on Digital Forensic and Security (ISDFS), 22-25 March 2018, Antalya, Turkey.
• 32. Hussain, M. G. Al Mahmud, T. Akthar, W. “An Approach to Detect Abusive Bangla Text”, International Conference on Innovation in Engineering and Technology (ICIET), 27-29 December 2018.
• 33. Al-Mamun, A. Akhter, S. “Social Media Bullying Detection Using Machine Learning On Bangla Text”, 10th International Conference on Electrical and Computer Engineering, 20-22 December 2018, Dhaka, Bangladesh.
• 34. El-Halees, A. “Filtering Spam E-Mail from Mixed Arabic and English Messages: A Comparison of Machine Learning Techniques”, The International Arab Journal of Information Technology, vol. 6, no. 1, 2009.
• 35. Hamouda, A. E.-D. A. El-zahraa El-taher, F. “Sentiment Analyzer for Arabic Comments System”, (IJACSA) International Journal of Advanced Computer Science and Applications, vol. 4, no. 3, 2013.
• 36. Duwairi, R. M. Marji, R. Sha'ban, N. Rushaidat, S. “Sentiment Analysis in Arabic Tweets”, 5th International Conference on Information and Communication Systems (ICICS), 2014.
• 37. Sintaha, M. Mostakim, M. “An Empirical Study and Analysis of the Machine Learning Algorithms Used in Detecting Cyberbullying in Social Media”, 2018 21st International Conference of Computer and Information Technology (ICCIT), 21-23 December 2018.
• 38. Shekhar, A. Mathangi, V. “A Bag-of-Phonetic-Codes Modelfor Cyber-Bullying Detection in Twitter.”, 2018 International Conference on Current Trends towards Converging Technologies (ICCTCT) (2018): 1-7.
• 39. Zois, D. S. Kapodistria, A. Yao, M. Chelmis, C. “Optimal Online Cyberbullying Detection”, 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 15-20 April 2018, Calgary, AB, Canada.
• 40. Venckauskas, A. Karpavicius, A. Damaševičius, R. Marcinkevičius, R. Kapočiūte-Dzikiené, J. Napoli, C. “Open Class Authorship Attribution of Lithuanian Internet Comments using One-Class Classifier”, 2017 Federated Conference on Computer Science and Information Systems (FedCSIS), 3-6 September 2017, Prague, Czech Republic.
• 41. Egitimpedia, URL: https://www.egitimpedia.com/instagramdan-siber-zorbaliga-karsi-yeni-onlemler/ (Erişim zamanı; Haziran, 23, 2019).
• 42. Burnap, P. Williams, M. “Cyber Hate Speech on Twitter: An Application of Machine Classification and Statistical Modeling for Policy and Decision Making”, Policy & Internet, vol. 7, no. 2, pp. 223-242.
• 43. Alduailej, A. H. Khan, M. B. “The challenge of cyberbullying and its automatic detection in Arabic text”, 2017 International Conference on Computer and Applications (ICCA), 6-7 September 2017, Doha, United Arab Emirates.
• 44. Arlı, K. “Instagram Siber Zorbalık İçin Yeni Önlemler Aldı”, https://shiftdelete.net/instagram-siber-zorbalik-icin-yeni-onlemler-aldi (Erişim zamanı; Mayıs, 06, 2019).
• 45. Ibrahim, M. Torki, M. El-Makky, N. “Imbalanced Toxic Comments Classification Using Data Augmentation and Deep Learning”, 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), 17-20 Dec. 2018, Orlando, FL, USA