SciBotScanV3: An Explainable Machine Learning Architecture for Altmetric Account Classification on X

Full Changelog: https://github.com/Danipontes/SciBotScanV3/commits/v1.0.0 Acesse em: https://scibotscanv3.streamlit.app/ SciBotScanV3 is an explainable machine learning architecture designed to classify altmetric accounts on the X platform (formerly Twitter) as automated (bots) or human-operated accounts, with a focus on scientific article dissemination. Core Features Supervised classification using XGBoost 46 predictive features derived from structural, behavioral, textual, and altmetric attributes Probabilistic output (bot likelihood score) Decision threshold calibrated for imbalanced data SHAP-based model interpretability analysis Interactive web interface implemented with Streamlit Technical Architecture Modular machine learning pipeline following CRISP-DM principles Data preprocessing with scikit-learn Model persistence using joblib Text and sentiment analysis using TextBlob and related NLP libraries Visualization with matplotlib Dataset Trained on 13,767 labeled accounts 822 bot accounts and 12,945 human accounts More than 67,000 analyzed posts This version establishes the baseline architecture described in the associated research and provides a functional proof of concept for real-time altmetric account classification. Create DATASETS by @Danipontes in https://github.com/Danipontes/SciBotScanV3/pull/1 _________________________________________________________________________________________________ Versão 1.0.0 – Primeira Versão Pública Esta é a primeira versão pública do SciBotScan. O SciBotScanV3 consiste em uma arquitetura explicável de aprendizado de máquina projetada para classificar contas altmétricas na plataforma X (antigo Twitter) como automatizadas (bots) ou operadas por humanos, com foco na disseminação de artigos científicos. Funcionalidades Principais Classificação supervisionada utilizando o algoritmo XGBoost Utilização de 46 variáveis preditivas derivadas de atributos estruturais, comportamentais, textuais e altmétricos Geração de saída probabilística (probabilidade de automação) Limiar de decisão calibrado para lidar com desbalanceamento de dados Análise de interpretabilidade baseada em SHAP Interface web interativa desenvolvida em Streamlit Arquitetura Técnica Pipeline modular de aprendizado de máquina estruturado conforme princípios do CRISP-DM Pré-processamento de dados com scikit-learn Persistência do modelo com joblib Análise textual e de sentimento com bibliotecas de NLP Visualizações implementadas com matplotlib Base de Treinamento Treinado com 13.767 contas rotuladas 822 contas automatizadas e 12.945 contas humanas Mais de 67.000 postagens analisadas Esta versão estabelece a arquitetura base descrita na pesquisa associada e disponibiliza uma prova de conceito funcional para classificação probabilística de contas altmétricas em tempo real.