Бұл мақалада онлайн әлеуметтік медиа мәтіндеріндегі кибербуллингті анықтау үшін жаңа гибридті LSTM-CNN моделінің тиімділігі туралы кешенді зерттеу ұсынылған. Зерттеуде ұсынылған модельдің SVM, кездейсоқ орман және шешім ағаштары сияқты дәстүрлі машиналық оқыту классификаторларымен салыстырғандағы өнімділігі дәлдік, дәлдік, еске түсіру, F-балы және AUC-ROC сияқты метрикаларды қолдана отырып бағаланады. Ұсынылған гибридті модель мәтіндік деректердің тізбекті және кеңістіктік өлшемдерін анықтауға бағытталған ұзақ қысқа мерзімді жад желілерінің контексттік өңдеу мүмкіндіктерін конволюциялық нейрондық желілердің мүмкіндіктерді алу қабілетімен біріктіреді. Тәжірибелердің нәтижелері LSTM-CNN моделінің дәстүрлі классификаторлардан айтарлықтай асып түсетінін, барлық бағалау метрикалары бойынша жоғары балл жинайтынын көрсетеді. Сонымен қатар, ROC қисық талдаулары модельдің кибербуллинг және кибербуллинг емес жағдайларды ажыратудағы жоғары сезімталдығы мен ерекшелігін растайды. Бұл зерттеу кибербуллингті анықтауды жақсартудағы терең оқыту тәсілдерінің әлеуетін көрсетеді, әлеуметтік медиа платформалары үшін онлайн қудалауды тиімді түрде азайтудың қуатты құралын ұсынады. Зерттеу нәтижелерінде бақылау мен құпиялылықтың этикалық өлшемдерін ескере отырып, осындай озық анықтау жүйелерін енгізудің салдары да талқыланады. Болашақ бағыттарға модельді әртүрлі тілдік контексттерді өңдеуге бейімдеу және жіктеу дәлдігін арттыру үшін пайдаланушылардың пікірлерін біріктіруді зерттеу кіреді. Бұл зерттеу цифрлық қауіпсіздік және онлайн қауымдастықты басқару саласында күрделі, контекстке бейім технологияларды әзірлеу үшін прецедент болып табылады.