Романов Александр Сергеевич — доктор технических наук, доцент, старший научный сотрудник
Томск, 634034
sc 57221288963
Aleksandr S. Romanov — D.Sc., Associate Professor, Senior Researcher
Tomsk, 634034
sc 57221288963
Федотова Анастасия Михайловна — младший научный сотрудник
Томск, 634034
sc 57214763715
Anastasiia M. Fedotova — Junior Researcher
Tomsk, 634034
sc 57214763715
Куртукова Анна Владимировна — младший научный сотрудник
Томск, 634034
sc 57207346456
Anna V. Kurtukova — Junior Researcher
Tomsk, 634034
sc 57207346456
Введение. Развитие способов взаимодействия в цифровой среде приводит к необходимости контроля распространяемой пользователями информации на соответствие ее требованиям законодательства. В работе предлагается методика классификации русскоязычных текстов с учетом биологического пола (мужчины и женщины) и гендерных различий, включая гомо- и гетеросексуальные группы, а также отдельные категории ЛГБТ (геи, лесбиянки, бисексуальные и трансгендерные авторы). Метод. Предлагаемый подход основан на ансамбле методов, включающих Support Vector Machine (SVM), Convolutional Neural Networks (CNN) и Russian Bidirectional Encoder Representations from Transformers (RuBERT). Представленная методика позволяет определять не только пол, но и гендер автора русскоязычного текста, в то время как известные исследования рассматривают только автоматическое определение пола автора. Для проведения исследования собраны пользовательские наборы комментариев пользователей в социальных сетях, аннотированные по полу и гендеру. Основные результаты. В задачах определения пола автора предложенный метод показал точность, превышающую 90 %. Рассматривалась классификация как гетеросексуальных мужчин и женщин, так и смешанных групп, включавших гетеро- и гомосексуальных людей. При различении сексуальной ориентации среди представителей одного пола точность составила 93 % для женщин (различение лесбиянок и гетеросексуальных женщин) и 85 % для мужчин (классификация геев и гетеросексуальных мужчин). При исследовании по определению одновременно принадлежности к ЛГБТ и гендерной идентичности достигнутая точность составила 93 %.Обсуждение. Показано, что сочетание CNN, RuBERT и SVM может быть применено в качестве основы методики идентификации пола и гендера авторов текста. Предложенный подход может использоваться для автоматизированного мониторинга социальных сетей с целью выявления и анализа гендерной принадлежности автора текста. Разработанная методика перспективна для применения в системах контент-модерации, социологических и лингвистических исследований.
With the development of digital interaction, there is a need to control the information distributed by users so that it complies with legal requirements. The study proposes a technique for classifying Russian-language texts by considering both the biological sex of the authors (male and female) and gender-related distinctions, including heterosexual and homosexual groups as well as specific LGBT categories such as gay men, lesbian women, bisexual, and transgender authors. The article proposes a technique for identifying the sex and gender of authors of Russian-language texts by utilizing an ensemble of methods, including Support Vector Machines (SVM), Convolutional Neural Networks (CNN), and the Russian Bidirectional Encoder Representations from Transformers (RuBERT). This research is introducing a technique for gender identification in Russian texts, as prior studies have only addressed the automatic determination of an author’s sex. To conduct the study, custom datasets of user comments from social networks were created and annotated with both sex and gender labels. In tasks related to identifying the author’s sex, the proposed technique achieved an accuracy exceeding 90 %. This includes the classification of heterosexual men and women as well as a mixed dataset comprising both heterosexual and homosexual individuals. When distinguishing individuals of the same sex based on sexual orientation, the results showed that homosexual and heterosexual women display uncommon writing styles in contrast to men of different orientations, with accuracy rates of 93 % for women and 85 % for men. Additionally, an experiment focused on identifying LGBT individuals and their gender identities based on writing style achieved an accuracy of 93 %. The key takeaway from this study is that combining CNN, RuBERT, and SVM leads to a more robust model for gender classification. The method has been tested on varying numbers of samples. In the basic experiments for determining sex, the method achieves an accuracy of 92 %. When addressing the task of detecting the author’s LGBT affiliation, the method achieves 93 % accuracy. The proposed technique can be applied for automated monitoring of social networks to detect and analyze the gender identity of text authors. It is also promising for use in content moderation systems as well as in sociological and linguistic research.
The authors declare that there are no conflicts of interest present.