滑动进入我的私信：基于青年视角检测Instagram私信中令人不适或不安全的性风险经历

我们收集了150名青少年（13-21岁）的Instagram数据，包括15,547条私人消息对话，其中326条对话被参与者标记为性风险。基于这些数据，我们采用了以人为中心的机器学习方法，为青年社交媒体对话创建性风险检测分类器。我们的卷积神经网络（CNN）和随机森林模型在对话级别识别性风险方面表现优异（AUC=0.88），CNN在消息级别表现更佳（AUC=0.85）。我们还训练了分类器来检测给定消息的风险严重程度（即安全、低、中-高），CNN表现优于其他模型（AUC=0.88）。特征分析更深入地洞察了安全与不安全对话中的模式。研究发现，上下文特征（如年龄、性别、关系类型）和语言学 Inquiry 与词计数（LIWC）对准确检测让青少年感到不适或不安全的性对话贡献最大。我们的分析为计算风险检测和青少年在线安全文献做出了宝贵贡献。