Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "SS Pandey, A Garcia-Robledo, M Zangiabady", 
2
  "author": "SS Pandey, A Garcia-Robledo, M Zangiabady", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "Publicaci\u00f3n", 
7
      "key": "Publicaci\u00f3n", 
            
8
      "value": "Conferencia"
8
      "value": "Conferencia"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "Tipo", 
11
      "key": "Tipo", 
            
12
      "value": "Publicaci\u00f3n"
12
      "value": "Publicaci\u00f3n"
            
13
    }
13
    }
            
14
  ], 
14
  ], 
            
15
  "groups": [
15
  "groups": [
            
16
    {
16
    {
            
17
      "description": "Este grupo integra las publicaciones 
17
      "description": "Este grupo integra las publicaciones 
            
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
20
presentados en congresos nacionales e internacionales, manuscritos en 
20
presentados en congresos nacionales e internacionales, manuscritos en 
            
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
26
      "display_name": "Publicaciones", 
26
      "display_name": "Publicaciones", 
            
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
28
      "image_display_url": "", 
28
      "image_display_url": "", 
            
29
      "name": "publicaciones", 
29
      "name": "publicaciones", 
            
30
      "title": "Publicaciones"
30
      "title": "Publicaciones"
            
31
    }
31
    }
            
32
  ], 
32
  ], 
            
33
  "id": "5a48d086-2d20-4c29-afc9-356a234acf42", 
33
  "id": "5a48d086-2d20-4c29-afc9-356a234acf42", 
            
34
  "isopen": false, 
34
  "isopen": false, 
            
35
  "license_id": null, 
35
  "license_id": null, 
            
36
  "license_title": null, 
36
  "license_title": null, 
            
37
  "maintainer": null, 
37
  "maintainer": null, 
            
38
  "maintainer_email": null, 
38
  "maintainer_email": null, 
            
39
  "metadata_created": "2025-10-10T07:19:39.307897", 
39
  "metadata_created": "2025-10-10T07:19:39.307897", 
            
n
40
  "metadata_modified": "2025-10-10T07:19:39.307905", 
n
40
  "metadata_modified": "2025-10-10T07:19:39.819444", 
            
41
  "name": 
41
  "name": 
            
42
ed-states-a-bert-cnn-analysis-of-36-million-tweets-from-18a357adf762", 
42
ed-states-a-bert-cnn-analysis-of-36-million-tweets-from-18a357adf762", 
            
43
  "notes": "Since its inception, social media has enabled people 
43
  "notes": "Since its inception, social media has enabled people 
            
44
worldwide to connect with like-minded individuals and freely express 
44
worldwide to connect with like-minded individuals and freely express 
            
45
their thoughts and opinions. However, its widespread nature has not 
45
their thoughts and opinions. However, its widespread nature has not 
            
46
only had an immeasurable impact on society but also presented 
46
only had an immeasurable impact on society but also presented 
            
47
significant challenges. One such challenge is online hate speech. 
47
significant challenges. One such challenge is online hate speech. 
            
48
Consequently, the identification of hate speech has recently gained 
48
Consequently, the identification of hate speech has recently gained 
            
49
considerable attention, ranging from reactive methods, such as 
49
considerable attention, ranging from reactive methods, such as 
            
50
classifying individual posts, to proactive strategies that utilize 
50
classifying individual posts, to proactive strategies that utilize 
            
51
contextual information to decipher the complex lexicon of online 
51
contextual information to decipher the complex lexicon of online 
            
52
discussions. Despite these efforts, current research lacks a 
52
discussions. Despite these efforts, current research lacks a 
            
53
comprehensive analysis of hate speech on Twitter during the crucial 
53
comprehensive analysis of hate speech on Twitter during the crucial 
            
54
2020-2022 period, marked by significant events such as the COVID-19 
54
2020-2022 period, marked by significant events such as the COVID-19 
            
55
pandemic. In this paper, we present a BERT-based model for classifying 
55
pandemic. In this paper, we present a BERT-based model for classifying 
            
56
hate speech. To this end, we collected 36 million tweets posted in the 
56
hate speech. To this end, we collected 36 million tweets posted in the 
            
57
United States on Twitter during this period. We developed, trained, 
57
United States on Twitter during this period. We developed, trained, 
            
58
and tested a BERT-based Convolutional Neural Network (BERT-CNN), using 
58
and tested a BERT-based Convolutional Neural Network (BERT-CNN), using 
            
59
it to classify the collected tweets. The classification of this 
59
it to classify the collected tweets. The classification of this 
            
60
dataset revealed a high incidence of targets motivated by ethnicity, 
60
dataset revealed a high incidence of targets motivated by ethnicity, 
            
61
with gender and nationality as other prominent categories. This work 
61
with gender and nationality as other prominent categories. This work 
            
62
provides insightful data on the sentiments of individuals across the 
62
provides insightful data on the sentiments of individuals across the 
            
63
United States during the events of 2020-2022.", 
63
United States during the events of 2020-2022.", 
            
n
64
  "num_resources": 0, 
n
64
  "num_resources": 1, 
            
65
  "num_tags": 2, 
65
  "num_tags": 2, 
            
66
  "organization": {
66
  "organization": {
            
67
    "approval_status": "approved", 
67
    "approval_status": "approved", 
            
68
    "created": "2022-05-19T00:10:30.480393", 
68
    "created": "2022-05-19T00:10:30.480393", 
            
69
    "description": "Observatorio Metropolitano CentroGeo", 
69
    "description": "Observatorio Metropolitano CentroGeo", 
            
70
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
70
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
71
    "image_url": 
71
    "image_url": 
            
72
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
72
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
73
    "is_organization": true, 
73
    "is_organization": true, 
            
74
    "name": "observatorio-metropolitano-centrogeo", 
74
    "name": "observatorio-metropolitano-centrogeo", 
            
75
    "state": "active", 
75
    "state": "active", 
            
76
    "title": "Observatorio Metropolitano CentroGeo", 
76
    "title": "Observatorio Metropolitano CentroGeo", 
            
77
    "type": "organization"
77
    "type": "organization"
            
78
  }, 
78
  }, 
            
79
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
79
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
80
  "private": false, 
80
  "private": false, 
            
81
  "relationships_as_object": [], 
81
  "relationships_as_object": [], 
            
82
  "relationships_as_subject": [], 
82
  "relationships_as_subject": [], 
            
t
83
  "resources": [], 
t
83
  "resources": [
            
84
    {
            
85
      "cache_last_updated": null, 
            
86
      "cache_url": null, 
            
87
      "created": "2025-10-10T07:19:39.834501", 
            
88
      "datastore_active": false, 
            
89
      "description": "Since its inception, social media has enabled 
            
90
people worldwide to connect with like-minded individuals and freely 
            
91
express their thoughts and opinions. However, its widespread nature 
            
92
has not only had an immeasurable impact on society but also presented 
            
93
significant challenges. One such challenge is online hate speech. 
            
94
Consequently, the identification of hate speech has recently gained 
            
95
considerable attention, ranging from reactive methods, such as 
            
96
classifying individual posts, to proactive strategies that utilize 
            
97
contextual information to decipher the complex lexicon of online 
            
98
discussions. Despite these efforts, current research lacks a 
            
99
comprehensive analysis of hate speech on Twitter during the crucial 
            
100
2020-2022 period, marked by significant events such as the COVID-19 
            
101
pandemic. In this paper, we present a BERT-based model for classifying 
            
102
hate speech. To this end, we collected 36 million tweets posted in the 
            
103
United States on Twitter during this period. We developed, trained, 
            
104
and tested a BERT-based Convolutional Neural Network (BERT-CNN), using 
            
105
it to classify the collected tweets. The classification of this 
            
106
dataset revealed a high incidence of targets motivated by ethnicity, 
            
107
with gender and nationality as other prominent categories. This work 
            
108
provides insightful data on the sentiments of individuals across the 
            
109
United States during the events of 2020-2022.", 
            
110
      "format": "HTML", 
            
111
      "hash": "", 
            
112
      "id": "3f7bd0d7-0293-4727-a4dc-df067feeb911", 
            
113
      "last_modified": null, 
            
114
      "metadata_modified": "2025-10-10T07:19:39.824362", 
            
115
      "mimetype": null, 
            
116
      "mimetype_inner": null, 
            
117
      "name": "Decoding Online Hate in the United States: A BERT-CNN 
            
118
Analysis of 36 Million Tweets from 2020 to 2022", 
            
119
      "package_id": "5a48d086-2d20-4c29-afc9-356a234acf42", 
            
120
      "position": 0, 
            
121
      "resource_type": null, 
            
122
      "size": null, 
            
123
      "state": "active", 
            
124
      "url": "https://doi.org/10.1109/icsc59802.2024.00059", 
            
125
      "url_type": null
            
126
    }
            
127
  ], 
            
84
  "state": "active", 
128
  "state": "active", 
            
85
  "tags": [
129
  "tags": [
            
86
    {
130
    {
            
87
      "display_name": "computer-science", 
131
      "display_name": "computer-science", 
            
88
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
132
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
89
      "name": "computer-science", 
133
      "name": "computer-science", 
            
90
      "state": "active", 
134
      "state": "active", 
            
91
      "vocabulary_id": null
135
      "vocabulary_id": null
            
92
    }, 
136
    }, 
            
93
    {
137
    {
            
94
      "display_name": "decoding-methods", 
138
      "display_name": "decoding-methods", 
            
95
      "id": "8e5cd4be-c8aa-4b2c-906b-89abb0cffb68", 
139
      "id": "8e5cd4be-c8aa-4b2c-906b-89abb0cffb68", 
            
96
      "name": "decoding-methods", 
140
      "name": "decoding-methods", 
            
97
      "state": "active", 
141
      "state": "active", 
            
98
      "vocabulary_id": null
142
      "vocabulary_id": null
            
99
    }
143
    }
            
100
  ], 
144
  ], 
            
101
  "title": "Decoding Online Hate in the United States: A BERT-CNN 
145
  "title": "Decoding Online Hate in the United States: A BERT-CNN 
            
102
Analysis of 36 Million Tweets from 2020 to 2022", 
146
Analysis of 36 Million Tweets from 2020 to 2022", 
            
103
  "type": "dataset", 
147
  "type": "dataset", 
            
104
  "url": "https://doi.org/10.1109/icsc59802.2024.00059", 
148
  "url": "https://doi.org/10.1109/icsc59802.2024.00059", 
            
105
  "version": null
149
  "version": null
            
106
}
150
}