Abstimmung Problemstellung

[nasibatuychieva]

Die ersten Ideen, die mir bezüglich der Problemstellung eingefallen sind, die Unterteilung der Hassrede Tweets in die Untergruppen:

• Politisch motivierter Hate Speech
• Genderbasierter Hate Speech
• Hatespeech gegen Minderheitsgruppen

[nasibatuychieva]

Weitere Ideen: Man könnte vielleicht auch die Hassrede weiterhin unterstufen wie:

• Shitstorm (negative Kommentare, ist zwar schlimm allerdings nicht so hochgradig problematisch wie zweite Stufe)
• Konkrete Drohungen (jegliche Art der direkten Drohungen, die hochgradig problematisch sind, von den konkrete Gefahr für die Gesellschaft ausgeht)

[Imran1221]

Mögliche Problemstellungen:

1. Feinere Klassifizierung: Multiklass-Problem Problemstellung: Anstatt nur zu klassifizieren, ob ein Tweet Hate Speech enthält oder nicht, könnte man versuchen, verschiedene Arten von Hate Speech zu identifizieren. Beispielsweise könnte man Hate Speech in Kategorien wie rassistisch, sexistisch, homophob oder religiös diskriminierend unterteilen. Beispiel: "Wie können maschinelle Lernmethoden genutzt werden, um zwischen rassistisch motivierter Hate Speech und gender-bezogener Hate Speech in Tweets zu unterscheiden?" Eventuell weiteren Datensatz nehmen, Modell trainieren um zwischen sexistisch und rassistisch zu klassifizieren und dann unseren Datensatz den Hate-Speech-Teil klassifizieren

2. Einfluss von Emojis und Hashtags auf Hate Speech Problemstellung: Es könnte der Einfluss von Emojis und Hashtags auf die Wahrscheinlichkeit untersucht werden, dass Tweets Hate Speech enthalten. Beispiel: "Gibt es eine Korrelation zwischen der Verwendung von Emojis/Hashtags und der Wahrscheinlichkeit von Hate Speech in Tweets?"

3. Verbindung von Hate Speech mit dem Verbreitungsverhalten Problemstellung: Es könnte untersucht werden, ob Tweets mit Hate Speech ein anderes Verbreitungsverhalten aufweisen (z.B. in Bezug auf Retweets) im Vergleich zu nicht-hasserfüllten Tweets. Beispiel: "Zeigen Tweets, die Hate Speech enthalten, ein anderes Verbreitungsverhalten auf Social Media als reguläre Tweets?"

---

4. Erkennung und Umgang mit Klassenungleichgewicht (Imbalanced Class Problem) Problemstellung: Wenn es im Datensatz eine signifikante Ungleichheit zwischen den Labels (0 und 1) gibt, kann dies zu einer verzerrten Klassifikation führen. Es könnte untersucht werden, wie Techniken wie Oversampling, Undersampling oder gewichtete Klassifikationen helfen können, das Ungleichgewicht zu bewältigen. Beispiel: "Wie kann das Ungleichgewicht in den Klassen bei der Hate Speech-Klassifikation effektiv gehandhabt werden?" -->SMOTE (Synthetic Minority Over-sampling Technique), Random Undersampling, oder Verwendung von Klassifikatoren mit Gewichtungen für die weniger vertretene Klasse.

5. Erkennung von Schlüsselthemen durch Themenmodellierung Problemstellung: Obwohl nur der Tweet-Text und das Label vorhanden sind, könnte eine Themenmodellierung verwendet werden, um herauszufinden, welche Hauptthemen in Hate Speech-Tweets im Vergleich zu Nicht-Hate Speech-Tweets vorkommen. Beispiel: "Welche Hauptthemen lassen sich in Tweets identifizieren, die als Hate Speech klassifiziert wurden?"