dc.contributor.advisor | Bours, Patrick | |
dc.contributor.author | Antonsen, Joakim Granli | |
dc.date.accessioned | 2022-03-10T18:19:26Z | |
dc.date.available | 2022-03-10T18:19:26Z | |
dc.date.issued | 2021 | |
dc.identifier | no.ntnu:inspera:95563131:15653275 | |
dc.identifier.uri | https://hdl.handle.net/11250/2984396 | |
dc.description.abstract | Den teknologiske utviklingen byr på mange nye muligheter. Med slike muligheter
kommer også nye utfordringer. En av disse er cybergrooming. Predatorer utnytter
disse nye mulighetene som lar dem være til stede over alt i det digitale rom, for å
etablere relasjoner til barn. Disse relasjonene blir videre misbrukt av predatorene
for å utføre seksuelle overgrep eller andre straffbare handlinger. Denne oppgaven
tar sikt på å oppdage utvidet kunnskap om egenskaper fra menneskelig analyse,
som mennesker finner definerende ved predator-samtaler og ikke-predatorsamtaler.
Egenskaper som potensielt kan benyttes til å forbedre cybergroomingdeteksjonssystemer.
Det eksisterer cybergrooming-deteksjonssystemer som benytter
seg av maskinlæringsalgoritmer, men det er begrenset hvor mye maskinlæringsalgoritmer
klarer å lære seg på egen hånd. Det ble samlet inn menneskelige evalueringer
av samtaler. Disse evalueringene ble sammen med de korresponderende
samtalene videre analysert for å oppdage trender, mønstre og egenskaper av definerende
art. Ingen egenskaper sto seg frem som absolutte i alle predator-samtaler,
noe som betyr at en egenskap alene ikke med absolutt sikkerhet kan si om en
samtale potensielt er en predator-samtale eller ikke. Kombinasjoner av to eller
flere egenskaper ble funnet til å stort sett alltid være til stede i predator-samtaler.
Flere egenskaper viste seg å være av definerende art. Noen egenskaper er aldersdefinerende,
og andre definerer potensielt tiltenkte handlinger. Ikke-predatorsamtaler
utgjorde mesteparten av evalueringene, og de fleste av disse var definert
som normale samtaler. Noen samtaler var også definert som seksuelle. For å potensielt
kunne benytte disse egenskapene kan implementasjoner av ulike maskinlæringsmetoder
inkluderes i eksisterende cybergrooming-deteksjonssystemer, som
for eksempel AiBA (Author input Behavioral Analysis). Egenskaper kan legges til
i systemer på ulike måter for å forbedre deteksjon og hjelpe med deteksjon av
pågående cybergrooming på et så tidlig tidspunkt som mulig. | |
dc.description.abstract | The technological evolution is providing new opportunities at fast pace. Such opportunities
also come with new challenges, one of which is cyber grooming. Predators
are taking advantage of the new opportunities being present everywhere, establishing
relations to children. The relations are further misused by the predators
to perform sexual abuse or other malicious actions. This thesis aims to discover
extended knowledge of features found from human analysis of predatory and
non-predatory chat conversations. Features of which potentially can be used to
improve cyber grooming detection systems. There exist cyber grooming detection
systems utilizing machine learning algorithms, but machine learning algorithms
can only discover so much on their own. Human evaluations of conversations
were collected. The collected evaluations and corresponding conversations were
further analyzed to discover trends, patterns and features of defining nature. No
feature stood out as absolute in every predatory conversation, meaning one feature
alone cannot with absolute certainty tell if a conversation is predatory or
non-predatory. Combinations of two or more features were, however, found to
almost always be present in predatory conversations. Several features showed to
be of a defining nature. Some features are age defining and others are defining
potentially intended actions. Non-predatory conversations constituted most of the
evaluations, mostly being defined as normal conversations and some being sexual
conversations. In order to potentially make use of the features, implementations
of various machine learning methods can be included in existing cyber grooming
detection systems, as for example AiBA (Author input Behavioral Analysis). Features
can add to systems in different ways in order to improve detection and help
detect ongoing cyber grooming at an earlier point of time. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Cyber Grooming Detection: Human or Machine? Or Hybrid? | |
dc.type | Master thesis | |