This study examines the phenomenon of Hate Speech within online gaming communities, with a particular focus on misogynistic discourse. Using machine learning models trained on specific datasets (AMI 2020, HaSpeeDe 2, IronITA, and EMit), the research aims to identify and classify hate speech in player comments. The study explores the connection between gaming culture and the spread of misogynistic discourse, analyzing the role of anonymity, competition, and power dynamics in online communities. Additionally, it discusses current and potential strategies for addressing toxicity in digital gaming spaces. The findings provide insights into the gaming industry's role in managing this issue, highlighting the need for both technological and social solutions to combat Hate Speech and foster more inclusive and safer gaming environments.

Il presente studio analizza il fenomeno dell'Hate Speech all'interno delle community videoludiche online, con particolare attenzione alle manifestazioni di misoginia. Attraverso un'analisi basata su modelli di apprendimento automatico, addestrati su dataset specifici (AMI 2020, HaSpeeDe 2, IronITA ed EMit), la ricerca si propone di identificare e classificare il discorso d'odio nei commenti dei giocatori. Il lavoro esplora il legame tra la cultura videoludica e la diffusione di discorsi misogini, esaminando il ruolo dell'anonimato, della competizione e delle dinamiche di potere nelle community online. Inoltre, si discutono le strategie attuali e potenziali per il contrasto alla tossicità negli spazi digitali legati al gaming. I risultati offrono una riflessione sul ruolo dell'industria videoludica nella gestione del fenomeno, evidenziando la necessità di soluzioni sia tecnologiche che sociali per contrastare l'Hate Speech e promuovere ambienti di gioco più inclusivi e sicuri.

Born to Support: Un'Analisi sulla Misoginia nelle Community di Gaming Online

STABILE, DOMENICO
2023/2024

Abstract

Il presente studio analizza il fenomeno dell'Hate Speech all'interno delle community videoludiche online, con particolare attenzione alle manifestazioni di misoginia. Attraverso un'analisi basata su modelli di apprendimento automatico, addestrati su dataset specifici (AMI 2020, HaSpeeDe 2, IronITA ed EMit), la ricerca si propone di identificare e classificare il discorso d'odio nei commenti dei giocatori. Il lavoro esplora il legame tra la cultura videoludica e la diffusione di discorsi misogini, esaminando il ruolo dell'anonimato, della competizione e delle dinamiche di potere nelle community online. Inoltre, si discutono le strategie attuali e potenziali per il contrasto alla tossicità negli spazi digitali legati al gaming. I risultati offrono una riflessione sul ruolo dell'industria videoludica nella gestione del fenomeno, evidenziando la necessità di soluzioni sia tecnologiche che sociali per contrastare l'Hate Speech e promuovere ambienti di gioco più inclusivi e sicuri.
Born to Support: An Analysis of Misogyny in Online Gaming Communities
This study examines the phenomenon of Hate Speech within online gaming communities, with a particular focus on misogynistic discourse. Using machine learning models trained on specific datasets (AMI 2020, HaSpeeDe 2, IronITA, and EMit), the research aims to identify and classify hate speech in player comments. The study explores the connection between gaming culture and the spread of misogynistic discourse, analyzing the role of anonymity, competition, and power dynamics in online communities. Additionally, it discusses current and potential strategies for addressing toxicity in digital gaming spaces. The findings provide insights into the gaming industry's role in managing this issue, highlighting the need for both technological and social solutions to combat Hate Speech and foster more inclusive and safer gaming environments.
Non autorizzo consultazione esterna dell'elaborato
File in questo prodotto:
File Dimensione Formato  
Tesi Magistrale, Domenico Stabile.pdf

non disponibili

Dimensione 5.23 MB
Formato Adobe PDF
5.23 MB Adobe PDF

Se sei interessato/a a consultare l'elaborato, vai nella sezione Home in alto a destra, dove troverai le informazioni su come richiederlo. I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Usare il seguente URL per citare questo documento: https://hdl.handle.net/20.500.14240/165805