ПІДХІД ДО ПРОГРАМНОЇ ІНЖЕНЕРІЇ ТА ТЕСТУВАННЯ МЕТОДУ БАГАТОРІВНЕВОГО ВИЯВЛЕННЯ СУБ’ЄКТІВ КІБЕРБУЛІНГУ НА ОСНОВІ ТРАНСФОРМЕРІВ У ХМАРНОМУ СЕРЕДОВИЩІ

Анотація

Стаття подає інженерно обґрунтований підхід до багаторівневого виявлення суб’єктів кібербулінгу з поєднанням первинної трансформерної детекції агресивних висловлювань та подальшої рольової інтерпретації дискурсу за схемою «ініціатор – мовленнєва дія – адресат» у середовищі Google Colab. Реалізація базується на попередньо натренованому класифікаторі cardiffnlp twitter roberta base offensive у конфігурації text classification бібліотеки transformers, що забезпечує відтворюваний інференс без додаткового донавчання і дає змогу зосередитися на програмній інженерії та тестуванні. Запропонована конструкція охоплює модулі інтерфейсу, керування обробкою, класифікації та синтаксико семантичного аналізу з фіксацією версій пакетів, випадкових зерен і параметрів токенізації, журнальним супроводом конфігурацій та збереженням артефактів на Google Drive. Методологічний внесок полягає у notebook oriented-організації життєвого циклу, що передбачає контроль формату даних, репліковані мікрозапуски, протокол порогування для бінарних рішень, маркування прикордонних випадків для ручного перегляду та вбудовані перевірки узгодженості рольової інтерпретації. Емпіричну дієздатність підтверджено на малій експертно верифікованій підвибірці, яка охоплює типові ситуації прямої образи, іронічного знецінення та нейтрального цитування потенційно токсичної лексики. Оцінювання включає фіксацію медіанного часу інференсу на прикладі міжквартильного розмаху як індикаторів операційної стабільності у змінних умовах колаб середовища, а також аналіз розподілу впевненості рішень з урахуванням робочого порога. Якісна валідація демонструє коректні спрацювання на явних інвективах, хибні позитиви у разі метамовного цитування та хибні негативи для саркастичних висловлювань, що обґрунтовує потребу рольової інтерпретації для зняття контекстної неоднозначності. Отримані результати свідчать, що поєднання попередньо натренованого класифікатора з рольовим рівнем і процедурно оформленим тестуванням забезпечує відтворюваність експериментів, інтерпретованість виходу і контрольовану детермінованість рішень у межах обчислювальних обмежень Colab, створюючи основу для масштабування на більші корпуси і багатомовні домени.