В данной статье представлено всестороннее исследование эффективности новой гибридной модели LSTM-CNN для обнаружения кибербуллинга в текстах онлайн-социальных сетей. В исследовании оценивается производительность предложенной модели по сравнению с традиционными классификаторами машинного обучения, включая SVM, случайный лес и деревья решений, с использованием таких метрик, как точность, прецизия, полнота, F-мера и AUC-ROC. Предложенная гибридная модель объединяет возможности контекстной обработки сетей долговременной кратковременной памяти (LSTM) с возможностями извлечения признаков сверточных нейронных сетей (CNN), стремясь охватить как последовательные, так и пространственные измерения текстовых данных. Результаты экспериментов показывают, что модель LSTM-CNN значительно превосходит традиционные классификаторы, достигая высоких показателей по всем оценочным метрикам. Кроме того, анализ ROC-кривых дополнительно подтверждает превосходную чувствительность и специфичность модели в различении случаев кибербуллинга и случаев, не связанных с кибербуллингом. Данное исследование подчеркивает потенциал подходов глубокого обучения в повышении эффективности обнаружения кибербуллинга, предлагая мощный инструмент для социальных сетей, позволяющий эффективно бороться с онлайн-домогательствами. В результатах также обсуждаются последствия внедрения таких передовых систем обнаружения, учитывая этические аспекты наблюдения и конфиденциальности. Дальнейшие направления исследований включают адаптацию модели для обработки различных языковых контекстов и изучение интеграции отзывов пользователей для повышения точности классификации. Это исследование создает прецедент для разработки более сложных, контекстно-ориентированных технологий в области цифровой безопасности и управления онлайн-сообществами.