کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8917977 1642806 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
The good, the bad and the deviant in community question answering
ترجمه فارسی عنوان
خوب، بد و منحرف در سوال جامعه پاسخ دادن
کلمات کلیدی
سوال جامعه پاسخ دادن، سوءاستفاده کنندگان محتوا، پرچم گذاری، برون سپاری،
ترجمه چکیده
این مطالعه بر روی پرچم های گزارش شده توسط کاربر تمرکز می کند تا شخصیت های خوب و بد افراد را در یک پرسش محبوب در پاسخ به پاسخ یاهو، پاسخ دهد. عقل متعارف این است که کاربرانی را که پرچم های بسیاری را دریافت می کنند حذف کنند. با این حال، تجزیه و تحلیل ما از یک سال از ردیابی از یاهو پاسخ ها نشان می دهد که تعداد پرچم داستان کامل نیست: از یک سو، کاربران با پرچم های بسیاری ممکن است هنوز هم به جامعه مثبت. از سوی دیگر، کاربران که هرگز پرچم گذاری نمیشوند، به نقض قوانین انجمنی دست مییابند و حساب آنها را به حالت تعلیق درآورده است. با این حال، این تجزیه و تحلیل همچنین نشان می دهد که کاربران با سوء استفاده از خواص شبکه خود خیانت می کنند؛ ما شواهد محکمی برای رفتار همجنسگرایی پیدا می کنیم و از این یافته برای تشخیص کاربران سوء استفاده که تحت رادار محلی قرار می گیرند استفاده می کنیم. بر اساس مشاهدات تجربی ما، ما یک طبقه بندی را ایجاد می کنیم که می تواند کاربر را با دقت 83 درصد بالا ببرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
چکیده انگلیسی
This study focuses on user-reported flags to characterize the behavior of the good guys and bad guys in a popular community question answering, Yahoo Answers. Conventional wisdom is to eliminate the users who receive many flags. However, our analysis of a year of traces from Yahoo Answers shows that the number of flags does not tell the full story: on one hand, users with many flags may still contribute positively to the community. On the other hand, users who never get flagged are found to violate community rules and get their accounts suspended. This analysis, however, also shows that abusive users are betrayed by their network properties: we find strong evidence of homophilous behavior and use this finding to detect abusive users who go under the community radar. Based on our empirical observations, we build a classifier that is able to detect abusive users with an accuracy as high as 83%.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Online Social Networks and Media - Volume 2, August 2017, Pages 45-59
نویسندگان
, , ,