网络欺凌检测当前的局限：关于评估准则、可复现性与数据稀缺

在线网络欺凌的检测在社会重要性、研究热度以及可用开放数据方面均有增长。然而，尽管计算能力和资源的可负担性持续提高，高质量数据的访问限制制约了最先进技术的适用性。因此，近期许多研究使用小型、异构的数据集，而未对其适用性进行充分评估。在本文中，我们进一步阐明这些问题：我们（i）评估了该任务的许多公开可用资源，并展示了数据收集中的困难。这些主要产生小型数据集，无法捕捉所需的复杂社会动态，并阻碍了对进展的直接比较。我们（ii）进行了一组广泛的实验，表明在这些来源上训练的分类器普遍缺乏跨领域泛化能力，并公开提供该框架以复现和扩展我们的评估准则。最后，我们（iii）提出了一种有效的众包方法：在实验室环境中模拟真实欺凌场景可生成合理的数据，能有效用于丰富真实数据。这在很大程度上规避了可收集数据的限制，并提升了分类器性能。我们相信这些贡献有助于改进该领域未来研究的实证实践。