Hasil Pencarian  ::  Simpan CSV :: Kembali

"Untuk membantu proses pembelajaran, memperoleh informasi, dan berkomunikasi, mahasiswa membutuhkan sarana yang dapat memenuhi kebutuhan tersebut, salah satunya adalah media sosial. Namun, penggunaan media sosial memiliki dampak negatif, salah satunya yaitu munculnya ujaran kebencian. Ujaran kebencian dapat berdampak negatif bagi kondisi psikologis mahasiswa dan menurunkan kesejahteraan subjektif. Maka, penelitian ini bertujuan untuk melihat hubungan antara ujaran kebencian di media sosial dengan kesejahteraan subjektif dari dua sudut pandang, yaitu sudut pandang pelaku ujaran kebencian dan sudut pandang yang mengungkap ujaran kebencian. Sebanyak 200 mahasiswa (M=21.39, SD=1.021) berpartisipasi dalam penelitian ini. Penelitian ini menggunakan metode penelitian korelasional untuk melihat hubungan kedua variabel. Alat ukur The PERMA-Profiler untuk mengukur kesejahteraan subjektif dan alat ukur kecenderungan melakukan ujaran kebencian untuk mengukur perilaku ujaran kebencian yang digunakan dalam penelitian ini. Berdasarkan uji korelasi yang dilakukan menggunakan teknik analisis Pearson Correlation, ditemukan bahwa tidak ada hubungan positif dan signifikan antara ujaran kebencian dengan kesejahteraan subjektif dari sudut pandang pelaku (r = -0.078, p > 0.05) dan tidak ada hubungan positif dan signifikan antara kebencian berbicara dengan kesejahteraan subjektif dari sudut pandang yang terpapar (r = 0.073, p > 0.05). Artinya, ditemukan bahwa tidak ada hubungan antara ujaran kebencian dengan kesejahteraan subjektif pada mahasiswa.

---

To help the learning process, obtain information, and communicate, students need tools that can meet these needs, one of which is social media. However, the use of social media has a negative impact, one of which is the emergence of hate speech. Hate speech can negatively affect a student's psychological condition and degrade subjective well-being. Thus, this study aims to see the relationship between hate speech on social media and subjective welfare from two points of view, namely the point of view of the perpetrator of hate speech and the point of view that reveals hate speech. A total of 200 students (M= 21.39, SD= 1,021) participated in this study. This study used a correlational research method to see the relationship between the two variables. The PERMA-Profiler measuring instrument for measuring subjective well-being and the tendency to measure hate speech to measure hate speech behavior were used in this study. Based on the correlation test conducted using the Pearson Correlation analysis technique, it was found that there was no positive and significant relationship between hate speech and subjective well-being from the perpetrator's point of view (r = -0.078, p > 0.05) and there was no positive and significant relationship between hate speech and subjective well-being from the exposed point of view (r = 0.073, p > 0.05). Which means, it was found that there is no relationship between hate speech and subjective well-being in students."

"Penyebaran konten ujaran kebencian berpotensi memunculkan kekerasan fisik dan konflik sosial. Terlepas dari meningkatnya kesadaran masyarakat terhadap dampak yang merugikan akibat ujaran kebencian di media sosial, hanya sedikit konsensus yang memusatkan perhatian pada pendekatan untuk menguranginya. Disertasi ini bertujuan merumuskan model pengendalian sosial melalui analisis pola dan efektivitas penanganan ujaran kebencian secara daring di media sosial dengan menggunakan parameter efektivitas regulasi dari Evan (1990). Berbeda dengan beberapa penelitian terdahulu, terutama di negara Barat yang fokus pada hak kebebasan berpendapat, penelitian ini mengedepankan pendekatan toleransi dalam menganalisis pengendalian terhadap ujaran kebencian secara daring di Indonesia. Melalui pendekatan kualitatif, pertanyaan penelitian dijawab dengan beberapa teknik analisis, termasuk teknik Delphi yang merumuskan konsensus dari para ahli untuk model pengendalian sosial yang efektif. Hasil yang ditemukan dari penelitian ini, antara lain; terdapat pola berbeda dalam tindakan ujaran kebencian secara daring yang dilakukan oleh individu dengan kelompok, regulasi dan penanganan kasus penyebaran ujaran kebencian secara daring selama ini tidak efektif, tidak adanya kolaborasi institusi formal dan informal dalam pengendalian ujaran kebencian, dan fokus program belum menyentuh akar masalah munculnya ujaran kebencian. Akhirnya, penelitian ini berkontribusi memberikan kebaruan terhadap model efektif dalam pengendalian sosial terhadap ujaran kebencian secara daring yang fokus pada peningkatan sosialisasi, edukasi, dan fasilitasi.

---

Hate speech content dissemination can lead to physical violence and social conflict. Despite heightened awareness of the deleterious impact of online hate speech, particularly on social media platforms, there is little consensus on an approach to control it. This dissertation aims to construct a model of social control through online hate speech patterns and regulation evaluation using regulatory effectiveness parameters from Evan (1990). Unlike previous studies, especially research about online hate speech in western countries that focus on the right to freedom of speech, this research promotes a tolerance-based approach in analyzing social control against online hate speech in Indonesia. Through a qualitative approach, research questions were answered by several techniques, including the Delphi method outlining the consensus from experts for an effective model of social control against online hate speech. The findings of this study are: there are differences in patterns in online hate speech carried out by individuals and groups, existing regulation and the handling of online hate speech cases has been ineffective, there is no collaboration between formal or informal institutions in controlling hate speech, and yet the focus of program has not touched the root of hate speech. Finally, this research contributes to the novelty of an effective model of social control against online hate speech, which focuses on socialization, education, and facilitation."

"Ujaran kebencian merupakan ujaran yang dapat menimbulkan kebencian. Fenomena ujaran kebencian dapat muncul dalam berbagai konteks, seperti hukum, psikologi, hingga olahraga, terutama sepak bola. Tulisan ini bertujuan untuk mengetahui/menjelaskan bentuk ujaran kebencian dan medan makna yang digunakan oleh suporter sepak bola ketika menuturkan ujaran kebencian di kolom komentar media sosial Instagram. Metode yang digunakan dalam penelitian ini adalah deskriptif kualitatif. Data dalam penelitian ini adalah komentar suporter sepak bola yang berisi ujaran kebencian di kolom komentar media sosial Instagram. Sumber data penelitian ini berasal dari kolom komentar dalam unggahan foto di akun Instagram @plesbol.inc selama periode 1—29 Februari 2024. Pengumpulan data dilakukan pada 1—10 Maret 2024 dengan memilih 100 komentar, baik dalam bentuk frasa maupun kalimat. Analisis data dilakukan dengan tiga tahapan, yaitu mengidentifikasi makna literal dan kontekstual, mengidentifikasi bentuk ujaran kebencian, serta mengidentifikasi medan makna dari masingmasing data yang sudah dikumpulkan. Hasil analisis menunjukkan tiga bentuk ujaran kebencian yang berbeda, yaitu menghina, mengumpat, dan mencemarkan nama baik. Hasil analisis juga menunjukkan terdapat sebelas medan makna yang digunakan, yaitu sifat/ keadaan, binatang, kekerabatan, benda, aktivitas, pelaku kegiatan, anggota tubuh, perilaku komunikasi, penyakit, makhluk halus, dan penampilan fisik.

---

Hate speech is speech that can cause hatred. The phenomenon of hate speech can appear in various contexts, such as law, psychology, and sports, especially soccer. This paper aims to find out/explain the form of hate speech and the meaning field used by soccer supporters when saying hate speech in the Instagram social media comment section. The method used in this research is descriptive qualitative. The data in this study are soccer supporters' comments containing hate speech in the Instagram social media comment section. The data source of this research comes from the comments column in photo uploads on the @plesbol.inc Instagram account during the period February 1—29, 2024. Data collection was carried out on March 1—10, 2024 by selecting 100 comments, both in the form of phrases and sentences. Data analysis was carried out in three stages, namely identifying literal and contextual meanings, identifying forms of hate speech, and identifying the meaning field of each data that has been collected. The results of the analysis show three different forms of hate speech, namely insulting, swearing, and defaming. The results of the analysis also show that there are eleven fields of meaning used, namely nature/condition, animal, kinship, object, activity, actor, limb, communication behavior, disease, ethereal creature, and physical appearance."

"Ujaran kebencian telah menjadi perhatian yang semakin meningkat di era digital, terutama selama masa pemilu. Kompetisi politik dan polarisasi opini publik dapat menciptakan lingkungan yang rentan terhadap penyebaran ujaran kebencian. Berdasarkan hasil penelitian, ditemukan bahwa jumlah ujaran kebencian meningkat secara signifikan menjelang pemilu 2024. Fenomena ini menggambarkan tantangan berkelanjutan dalam mengendalikan dan mengurangi ujaran kebencian, terutama selama periode pemilu. Mengingat volume konten yang sangat besar di platform media sosial, mengidentifikasi ujaran kebencian secara manual menjadi tugas yang sulit dan memakan waktu, sehingga diperlukan solusi otomatis yang efisien dan akurat. Penelitian ini bertujuan menemukan model terbaik untuk mendeteksi ujaran kebencian dan mengidentifikasi topik-topik utama yang dibahas selama periode Pemilu Presiden 2024. Data dari Twitter yang diambil sejak Januari hingga Maret 2024 diproses dan diklasifikasi untuk mendeteksi ujaran kebencian dengan menggunakan algoritma machine learning Random Forest, SVM, dan Decision Tree serta algoritma deep learning CNN dan BERT. Hasilnya menunjukkan bahwa BERT memberikan tingkat akurasi terbaik sebesar 95%. Pemodelan topik dengan Latent Dirichlet Allocation (LDA) menghasilkan 17 topik utama, termasuk diantaranya ajakan untuk tidak memilih pasangan calon tertentu, penghinaan terhadap calon presiden, isu dinasti politik, dan tuduhan kecurangan oleh rezim dalam Pemilihan Presiden 2024.

---

Hate speech has become an increasing concern in the digital age, especially during elections. Political competition and polarization of public opinion can create an environment vulnerable to the spread of hate speech. Research results show that the amount of hate speech leading up to the 2024 election has increased significantly. This phenomenon illustrates the ongoing challenges of controlling and reducing hate speech, especially during elections. Given the massive volume of content on social media platforms, manually identifying hate speech becomes a difficult and time-consuming task, thus efficient and accurate automated solutions are needed. This research aims to find the best model to detect hate speech and identify the main topics discussed during the 2024 Presidential Election period. Data from Twitter taken from January to March 2024 was processed and classified to detect hate speech using Random Forest, SVM, and Decision Tree machine learning algorithms as well as CNN and BERT deep learning algorithms. The results show that BERT provides the best accuracy rate of 95%. Topic modeling with Latent Dirichlet Allocation (LDA) produced 17 main topics, including influences to not to vote for specific candidates, insults to presidential candidates, political dynastic issues, and allegations of fraud by the regime in the 2024 Presidential Election."

"ABSTRAKKebebasan berpendapat melalui media sosial untuk mengungkapkan pikiran, pendapat dan tanggapan terhadap suatu topik tertentu menimbulkan dampak negatif berupa konten yang menebarkan kebencian. Penelitian ini bertujuan untuk melakukan deteksi sebuah informasi yang merupakan ujaran kebencian di media sosial Twitter. Data yang digunakan berjumlah 4.002 data sentimen terkait topik politik, agama, suku dan ras di Indonesia. Pada pembangunan model, penelitian ini menggunakan metode klasifikasi sentimen dengan algoritma machine learning seperti Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree dan Support Vector Machine SVM . Di samping itu, penelitian ini juga melakukan perbandingan performa model dengan menggunakan unigram, bigram dan unigram-bigram dalam proses fitur ekstraksi dan penggunaan SMOTE untuk mengatasi imbalanced data. Evaluasi dari percobaan yang dilakukan menunjukkan bahwa algoritma AdaBoost menghasilkan model terbaik dengan nilai recall tertinggi yaitu 99.5 yang memiliki nilai akurasi sebesar 70.0 dan nilai F1-score sebesar 82.2 untuk klasifikasi ujaran kebencian apabila menggunakan bigram.

---

ABSTRACTFreedom of expression through social media to express idea, opinion and view about current topic causes negative impact as the rise of hateful content. This study aims to detect a hate speech information through Twitter. Dataset of this study consists of 4.002 sentiment data related to politic, race, religion and clan topic. The model development of this study conducted by sentiment classification method with machine learning algorithm such as Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree and Support Vector Machine SVM . We also conduct a comparison of model performance that used unigram, bigram, unigram bigram feature and SMOTE to handle imbalanced data. Evaluation of this study showed that AdaBoost algorithm resulted the best classification model with the highest recall model which was 99.5 , accuracy score as much as 70.0 and F1 score 82.2 to classify hate speech when using bigram features."

"ABSTRAKAnak-anak di Indonesia cenderung memiliki tingkat kesejahteraan obyektif yang rendah, tetapi kesejahteraan subyektif yang menarik dari anak-anak Indonesia cukup tinggi. Sejumlah penelitian sebelumnya menemukan bahwa struktur sosial ekonomi dan keluarga sebagai faktor yang berkontribusi pada tingkat kesejahteraan subjektif anak-anak yang tinggi. Untuk memperkaya studi sebelumnya, peneliti menggunakan faktor lain untuk menjelaskan tingginya tingkat kesejahteraan subjektif anak-anak, yaitu dukungan sosial dari orang tua, guru, dan teman. Dalam penelitian ini, jenis kelamin dan tingkat sekolah digunakan sebagai variabel kontrol dalam melihat hubungan antara dukungan sosial dan kesejahteraan subjektif anak-anak. Penelitian ini dilakukan dengan menggunakan survei terhadap 340 anak-anak dari SMP Negeri 2 dan SMA Negeri 3 Depok yang dipilih melalui multistage stratified random sampling. Hasilnya menunjukkan bahwa anak-anak memiliki tingkat kesejahteraan subjektif dan dukungan sosial yang tinggi. Dukungan sosial dari orang tua, guru, dan teman berkorelasi positif dengan kesejahteraan subjektif anak-anak. Selanjutnya, hasil menunjukkan bahwa jenis kelamin mempengaruhi hubungan antara dukungan sosial dan kesejahteraan subyektif anak-anak dengan model elaborasi dari pola spesifikasi, sedangkan tingkat sekolah mempengaruhi hubungan antara dua variabel dengan model elaborasi dari pola penjelasan.

---

ABSTRACTChildren in Indonesia tend to have low levels of objective well-being, but attractive subjective well-being of Indonesian children is quite high. A number of previous studies have found that socioeconomic and family structures are factors that contribute to the high level of subjective well-being of children. To enrich previous studies, researchers used other factors to explain the high level of subjective well-being of children, namely social support from parents, teachers, and friends. In this study, gender and school level were used as control variables in seeing the relationship between social support and children's subjective well-being. This research was conducted using a survey of 340 children from SMP Negeri 2 and SMA Negeri 3 Depok selected through multistage stratified random sampling. The results show that children have a high level of subjective well-being and social support. Social support from parents, teachers and friends is positively correlated with children's subjective well-being. Furthermore, the results show that gender influences the relationship between social support and subjective well-being of children with the elaboration model of the specification pattern, while the school level influences the relationship between the two variables with the elaboration model of the explanation pattern."

"ABSTRAKPenyebaran ujaran kebencian dan ujaran kasar di media sosial merupakan hal yang harus diidentifikasi secara otomatis untuk mencegah terjadinya konflik masyarakat. Selain itu, ujaran kebencian mempunyai target, golongan, dan tingkat tersendiri yang juga perlu diidentifikasi untuk membantu pihak berwenang dalam memprioritaskan kasus ujaran kebencian yang harus segera ditangani. Tesis ini membahas klasifikasi teks multi label untuk mengidentifikasi ujaran kasar dan ujaran kebencian disertai identifikasi target, golongan, dan tingkatan ujaran kebencian pada Twitter berbahasa Indonesia. Permasalahan ini diselesaikan menggunakan pendekatan machine learning menggunakan algoritma klasifikasi Support Vector Machine (SVM), Naïve Bayes (NB), dan Random Forest Decision Tree (RFDT) dengan metode transformasi data Binary Relevance (BR), Label Power-set (LP), dan Classifier Chains (CC). Jenis fitur yang digunakan antara lain fitur frekuensi term (word n-grams dan character n-grams), fitur ortografi (tanda seru, tanda tanya, huruf besar/kapital, dan huruf kecil), dan fitur leksikon (leksikon sentimen negatif, leksikon sentimen positif, dan leksikon kasar). Hasil eksperimen menunjukkan bahwa secara umum algoritma klasifikasi RFDT dengan metode transformasi LP memberikan akurasi yang terbaik dengan waktu komputasi yang cepat. Algoritma klasifikasi RFDT dengan metode transformasi LP menggunakan fitur word unigram memberikan akurasi sebesar 66,16%. Jika hanya mengidentifikasi ujaran kasar dan ujaran kebencian (tanpa disertai identifikasi target, golongan, dan tingkatan ujaran kebencian), algoritma klasifikasi RFDT dengan metode transformasi LP menggunakan gabungan fitur word unigram, character quadgrams, leksikon sentimen positif, dan leksikon kasar mampu memberikan akurasi sebesar 77,36%.

---

Hate speech and abusive language spreading on social media needs to be identified automatically to avoid conflict between citizen. Moreover, hate speech has target, criteria, and level that also needs to be identified to help the authority in prioritizing hate speech which must be addressed immediately. This thesis discusses multi-label text classification to identify abusive and hate speech including the target, category, and level of hate speech in Indonesian Twitter. This problem was done using machine learning approach with Support Vector Machine (SVM), Naïve Bayes (NB), and Random Forest Decision Tree (RFDT) classifier and Binary Relevance (BR), Label Power-set (LP), and Classifier Chains (CC) as data transformation method. The features that used are term frequency (word n-grams and character n-grams), ortography (exclamation mark, question mark, uppercase, lowercase), and lexicon features (negative sentiment lexicon, positif sentiment lexicon, and abusive lexicon). The experiment results show that in general RFDT classifier using LP as the transformation method gives the best accuracy with fast computational time. RFDT classifier with LP transformation using word unigram feature give 66.16% of accuracy. If only for identifying abusive language and hate speech (without identifying the target, criteria, and level of hate speech), RFDT classifier with LP transformation using combined fitur word unigram, character quadgrams, positive sentiment lexicon, and abusive lexicon can gives 77,36% of accuracy.

"

"Kebijakan pembatasan dalam melakukan interaksi sosial, menyebabkan penggunaan media sosial meningkat selama pandemi COVID-19. Mahasiswa merupakan pengguna media sosial terbanyak di Indonesia, dimana media sosial Instagram dan TikTok populer di kalangan mahasiswa. Adanya beragam fitur yang ada pada Instagram dan TikTok dapat menyebabkan mahasiswa melakukan social comparison, dimana hal tersebut dapat menimbulkan emosi negatif yang mengarah pada penurunan subjective well-being mahasiswa. Oleh karena itu, penelitian ini memiliki tujuan untuk melihat hubungan antara social comparison dan subjective well-being pada mahasiswa pengguna Instagram dan TikTok. Terdapat dua alat ukur yang digunakan, yaitu The Iowa-Netherlands Comparison Orientation Scale untuk mengukur social comparison dan The Perma-Profiler untuk mengukur subjective well-being. Partisipan di dalam penelitian ini berjumlah 191 mahasiswa pengguna media sosial Instagram dan TikTok, yang terdiri dari laki-laki dan perempuan, dengan rentang usia 19-25 tahun (M = 21,37, SD = 1,028) dari berbagai wilayah di Indonesia. Berdasarkan uji korelasi yang dilakukan menggunakan teknik analisis Pearson Correlation, ditemukan bahwa terdapat hubungan negatif dan signifikan antara social comparison dan subjective well-being pada mahasiswa pengguna Instagram dan TikTok (r (191) = -0,130, p < 0,05). Oleh karena itu, semakin tinggi social comparison yang dilakukan mahasiswa, semakin rendah pula subjective well-being mahasiswa, demikian pula dengan sebaliknya.

---

The policy of limiting social interactions caused the use of social media increases during the COVID-19 pandemic. College students are amongst the most active users on social media, also Instagram and TikTok are popular among them. The various features on Instagram and Tiktok can cause college students to do social comparison, which can elevate negative emotions that lead to decreased student’s subjective well-being. Thus, this study aims to find out whether social comparison has an effect on college student’s subjective well-being. There are two measurement instruments used, The Iowa-Netherlands Comparison Orientation Scale to measure social comparison and The Perma-Profiler to measure subjective well-being. Participants in this study were 191 college students using Instagram and TikTok, consisting of male and female, with an age range of 19-25 years (M = 21,37, SD = 1,028) from various areas in Indonesia. According to the correlation test that conducted using Pearson Correlation, there is a negative and significant correlation between social comparison and subjective well-being of college students using Instagram and TikTok (r (191) = -0,130, p < 0,05). Thus, the higher level of social comparison that students did, the lower the subjective well-being of college students using Instagram and TikTok as well, and vice versa."

"Mitra pengemudi adalah jenis pekerjaan lama (ojek), namun dengan keberadaan aplikasi berbasis teknologi informasi, pekerjaan ini berubah menjadi jenis pekerjaan baru (ojek online). Sejumlah penelitian terdahulu terkait mitra pengemudi sebagian besar berfokus pada aspek ekonomi dan teknologi, namun belum banyak membahas terkait modal sosial dan subjective well-being. Dalam penelitian ini, tingkat modal sosial berupa norma, jaringan dan kepercayaan akan dilihat hubungannya dengan tingkat subjective well-being mitra pengemudi. Mitra pengemudi dari aplikasi Gojek kemudian dipilih sebagai subjek penelitian. Penelitian ini dilakukan menggunakan survei kepada 208 mitra pengemudi Gojek di Jabodetabek serta dipilih secara purposive sampling. Hasil penelitian ini menunjukkan adanya hubungan antara tingkat modal sosial yang dimiliki dengan tingkat subjective well-being mitra pengemudi Gojek. Modal sosial berupa norma, jaringan, dan kepercayaan memiliki hubungan signifikan yang berkorelasi positif dengan tingkat subjective well-being mitra pengemudi Gojek. Korelasi positif ini menunjukkan semakin tinggi tingkat modal sosial yang dimiliki, maka semakin tinggi pula tingkat subjective well-beingmitra pengemudi Gojek. Lebih lanjut, hasil penelitian ini menemukan identitas sebagai ojek online memiliki dampak terhadap tingkat jaringan sosial, kepercayaan, dan norma mitra pengemudi.

---

Ojek driver is an old type occupation that with digital based application become a new type of occupation called ojek online. Some of previous studies about ojek online mostly focused on economic and technological aspects, but hasn't been much discussion about social capital and subjective well-being. In this study, social capital measured based on norms, trust and networks are used to explain driver's subjective well-being level. Drivers from Gojek brand is picked as our research subject. This study using data on 208 respondents that collected by survey to Gojek's Driver in Jabodetabek using purposive sampling method. The results of bivariate analyses show that driver's social capital is possitive correlated with their subjective well-being. This is confirms this study proposition, that higher level of social capital imply higher level of driver's subjective well-being. Among the results, this study found that the identity as an ojek online give impact to driver's networks, trust and norms."

"ABSTRACTSkripsi ini membahas tentang pengkategorisasian para pelaku hate speech di Facebook terkait dengan Basuki Tjahaya Purnama Alias Ahok yang saat itu menjabat sebagai Gubernur DKI Jakarta. Penelitian ini adalah penelitian kualitatif dengan analisis deskriptif. Hasil penelitian menyebutkan bahwa meskipun Ahok adalah objek dari hate speech ini, namun namun yang menjadi target paling banyak justru masyarakat umum yang mendukung Ahok, atau masyarakat umum yang menolak Ahok. Oleh karena itu penelitian ini menyarankan agar pihak pemerintah dan media sosial saling bekerjasama untuk mengkaji hate speech di Facebook secara lebih mendalam, terutama berkaitan dengan identitas asli pelaku hate speech. Hal ini jika diharapkan dapat memberikan petunjuk terkait dengan siapa identitas pelaku, sehingga pihak penegak hukum dapat melakukan penindakan secepatnya, dan kasus hate speech di Facebook dapat berkurang secara signifikan.

---

ABSTRACTThis Thesis discussing the categorization of hate speechs perpetrators on Facebook related to Basuki Tjahaya Purnama Ahok who is an ex Jakarta Governor. This research is a qualitative research with descriptive analysis. The results showed that even if Ahok is the subject of the hate speech, but most of the victims are people who support or against Ahok. Thus, this research suggest the government to cooperate with social media Facebook to research and reviewing hate speech more deeply. Hopefully this research will give clues about who is the perpetrators real identity, so that law enforcers could action as soon as possible, and hate speech on Facebook will reduced significantly. ni"