Management and Future Technologies | Volume 2, Issue 4 | № 008

ma’lumotlarini qo‘shish rejalashtirilgan. Taklif etilgan model sinov ma’lumotlarida Dublikat murojaatlarni aniqlash aniqligi: F1 = 0.87. Hotspot aniqlashda DBSCAN usuli K-meansga nisbatan 15–20% yuqori aniqlik berdi. Ustuvorlikni avtomatik belgilash dispetcherlik vaqtini 30% ga qisqartirdi. Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini e’lon qiladi. Adabiyotlar 1. Ester, M. et al. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. KDD, 1996. 2. Campello, R. et al. Hierarchical Density Estimates for Data Clustering. Data Mining and Knowledge Discovery, 2013. 3. Ngiam, J. et al. Multimodal Deep Learning. ICML, 2011. 4. Baltrusaitis, T. et al. Multimodal Machine Learning: A Survey. IEEE TPAMI, 2019. 5. Redmon, J. et al. You Only Look Once: Unified, Real-Time Object Detection. CVPR, 2016. 6. He, K. et al. Mask R-CNN. ICCV, 2017. 7. Devlin, J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL, 2019. 8. Zaynitdinov Kh.N., Koroboev Zh.F., Artikova M.A., S.S. Sadullaev "Problems Electronic Government System in Uzbekistan". "Intellect-ifo" Scientific-Practical Journal, Tashkent, 2013, No. 3-4, pp. 13-19. 9. Mallaev O., Gazatov J., Aliyev J. Algorithm for forming a geo-map of citizen appeals using artificial intelligence. E3S Web of Conferences 627, 04018 (2025) GEOTECH-2025. https://doi.org/10.1051/e3sconf/202562704018 10. Mallaev O., Azimov B., Muslimjon K., Kamola A. Algorithm for Digital Processing of Seismic Signals in Distributed Systems. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 13741 LNCS, pp. 586593. 220

E’LON QILINGAN MA’LUMOTLARNING STILISTIK VA LINGVISTIK XUSUSIYATLARI ASOSIDA INTERNET FOYDALANUVCHILARINI TANIB OLISH METODLARI Xudayberganova Nargiza Urganch Davlat universiteti Axborot xavfsizligi yo'nalishi magistranti littlemadam1337@gmail.com Yo'ldasheva Bibihojar Urganch Davlat universiteti Axborot xavfsizligi yo'nalishi magistranti yoldashevabibihojar@gmail.com Xudayberganov Temur Urganch davlat universiteti, Axborot xavfsizligi kafedrasi mudiri doctordrebek@gmail.com Annotatsiya. Ushbu maqolada internet foydalanuvchilari tomonidan yaratilgan matnlarning stilistik va lingvistik xususiyatlari tahlil qilinadi. Tadqiqotning asosiy maqsadi — matnlardagi til birliklari orqali foydalanuvchilarning kommunikativ xatti-harakatlari va demografik ko‘rsatkichlarini aniqlash imkoniyatlarini o‘rganishdir. Tahlil natijalari matnlarda qisqa yozuvlar, emoji, slang, qisqartmalar va hashtaglar kabi elementlarning faol qo‘llanilishini, shuningdek, yosh, platforma va ijtimoiy guruhga qarab stilistik farqlanishlar mavjudligini ko‘rsatadi. Shuningdek, onlayn kommunikatsiya muhitida yangi lingvistik shakllar, innovatsion ifoda vositalari va stilistik moslashuv jarayonlari ham chuqur tahlil qilinadi. Ushbu tadqiqot stilometrik profiling, tilshunoslik, kommunikatsiya tahlili va internet madaniyati doirasidagi amaliy va nazariy ishlanmalarga zamin yaratadi. Kalit so‘zlar: Internet matnlari, stilistik profiling, lingvistik xususiyatlar, onlayn kommunikatsiya, foydalanuvchi stili. Kirish. So‘nggi yillarda internet platformalari — ayniqsa ijtimoiy media, bloglar, forumlar — shaxsiy fikr almashinuvi, axborot tarqatish va virtual muloqot uchun asosiy vositaga aylangan. Bu platformalarda yaratilayotgan matnli kontent hajmi mislsiz darajada oshib bormoqda. Shu bilan birga, bu matnlar — foydalanuvchining til uslubi, ijtimoiy pozitsiyasi, demografik ko‘rsatkichi va hatto psixologik holati haqida qimmatli signallarni o‘zida mujassam etadi [1]. Shu sababli, internet foydalanuvchilarining shaxsiy xususiyatlarini (yoshi, jinsi, mintaqasi, kasbi, ruhiy turi) ularning yozgan matnlari asosida aniqlash — bugungi zamon informatika, sotsiologiya, tilshunoslik va xavfsizlik tadqiqotlarining muhim yo‘nalishiga aylangan. Bu tadqiqotlar guruhi ilmiy adabiyotda Author Profiling, Stylometry, yoki Linguistic Profiling nomlari bilan tanilgan [2,3]. Bu sohadagi dastlabki yondashuvlar, xususan "Stylometric Analysis of Bloggers’ Age and Gender" (2009) [4] ishida ko‘rsatilganidek, blog postlar asosida muallifning jins va yoshini aniqlashga qaratilgan. Shundan buyon tadqiqot metodlari sezilarli darajada rivojlanib, an’anaviy n-gram asosidagi statistik yondashuvlardan tortib, word embeddings, transformer arxitekturalari va ko‘p tilli neyron modellargacha kengaygan. Masalan, "Author profiling for age and gender using combinations of features of various types" (2019) [5] tadqiqotida sintaktik va morfologik belgilarni birlashtirish orqali profiling natijalari sezilarli yaxshilangan. Yana bir muhim loyiha, "TWISTY: a Multilingual Twitter 221

Stylometry Corpus" [6], turli tillardagi foydalanuvchilar stilini taqqoslash imkonini beruvchi korpus yaratish orqali profiling metodlariga ko‘p tillilik (multilingualism) elementini olib kirgan. "Survey on profiling age and gender of text authors" (2022) [7] maqolasi bu yo‘nalishda eng keng ko‘lamli ko‘rib chiqish maqolalaridan biri bo‘lib, mualliflar hozirgacha foydalanilgan lingvistik xususiyatlar, mashinaviy o‘rganish algoritmlari va datasetlar bo‘yicha chuqur tahlil bergan. Unda aytilishicha, lingvistik profiling, ayniqsa, stilistik iz (linguistic fingerprint), gap uzunligi, punktuatsiya, emojilar, va sentimentli so‘zlar kabi belgilar asosida yuqori aniqlik bilan amalga oshirilishi mumkin. So‘nggi yillarda profiling nafaqat demografik, balki xulq-atvor (behavioral) yoki hujumkorlik xattiharakatlarini aniqlashga ham kengaymoqda. Misol uchun, "Profiling Hate Speech Spreaders on Twitter using stylistic features and word embeddings" (2021) [8] maqolasida nafratli nutq tarqatuvchilarni matn stilistikasi va embeddinglar asosida avtomatik aniqlash usullari bayon etilgan. Bu esa profilingni xavfsizlik va sotsial forensika sohalarida qo‘llashni boshlab berdi. Ushbu tadqiqotlar nafaqat ma’lumotdan, balki metodologik yondashuvdan ham farqlanadi. "Author Profiling in Social Media with Multimodal Information" (2020) [9] maqolasi matnga qo‘shimcha ravishda rasm, hashtaglar va foydalanuvchi metama’lumotlarini birlashtirgan holatda profiling qilishning yangi usullarini taklif etadi. Shu bilan birga, "Cross-linguistic authorship attribution and gender profiling" (2024) [10] maqolasi profilingning turli tillarda qanday amalga oshirilishini o‘rganadi. Bu esa muallif profilingi uchun universallik va tilga moslashuvchanlikni ta’minlaydi. So‘nggi trend esa — deep learning asosidagi profiling. Masalan, "PART: Pre-trained Authorship Representation Transformer" (2022) [11] maqolasi transformer modellarining stilistik profilingda qo‘llanilishi, ya’ni matnni shaxsiy "stil embedding" ga aylantirib, foydalanuvchini tanib olishdagi roli haqida so‘z yuritadi. Bundan tashqari, "Authorship Attribution in the Era of LLMs" (2025) [12] tadqiqotida ChatGPT, BERT, RoBERTa kabi yirik til modellari profilingdagi afzallik va xavflarini baholagan. Shu tariqa, matn stilistikasi asosida internet foydalanuvchilarini aniqlash — matematik, lingvistik va algoritmik jihatlardan murakkab, lekin nihoyatda foydali ilmiy va amaliy yo‘nalishdir. Bu sohadagi asosiy muammo esa xususiyatlarni to‘g‘ri tanlash, metodlarni muvofiqlashtirish (klassik va chuqur o‘rganish yondashuvlari o‘rtasida), va profiling algoritmlarining adolat, xolislik, hamda maxfiylik me’yorlariga mosligini ta’minlashdir. Adabiyotlar tahlili. Internet foydalanuvchilari tomonidan yozilgan matnlar orqali ularning shaxsiy, demografik yoki psixologik xususiyatlarini aniqlashga qaratilgan tadqiqotlar so‘nggi yillarda jadal rivojlandi. Bunday yondashuvlar "muallif profilingi" (author profiling) deb ataladi va asosan stilometrik (stilistik) va lingvistik xususiyatlarni tahlil qilishga asoslanadi [1,2]. Ilk tadqiqotlar odatda blog postlari yoki rasmiy matnlar asosida amalga oshirilgan. Masalan, Schler va boshqalar (2006) tomonidan olib borilgan ishlarda blog matnlaridan foydalangan holda muallifning yoshi va jinsini bashorat qilishga erishilgan [3]. Bu tadqiqotda so‘z uzunligi, funksional so‘zlar, va gap tuzilishi kabi klassik stilistik xususiyatlar qo‘llanilgan. Profiling bo‘yicha eng muhim ko‘rib chiqish maqolalaridan biri — Stamatatos va boshqalar (2022) tomonidan yozilgan "Profiling age and gender of text authors" nomli maqoladir [4]. Unda 90 dan ortiq tadqiqotlar tahlil qilinib, eng samarali lingvistik xususiyatlar, mashinaviy o‘rganish algoritmlari va profiling natijalarini baholash mezonlari umumlashtirilgan. Ijtimoiy tarmoq matnlari bilan ishlashda stilometrik yondashuvlar yanada murakkablashadi. Chunki bu matnlar qisqa, norasmiy va ba’zida kod-aralash (code-mixed) ko‘rinishda bo‘ladi. Sittar va Ameer (2025) tomonidan yozilgan "Stylometric Author Profiling for Social Media" 222

maqolasida bu holat alohida ta’kidlanib, stilistik xususiyatlar uch guruhga ajratiladi: leksik (masalan, n-gramlar), sintaktik (masalan, gap tuzilishi) va stilistik (masalan, emojilar, katta harflar, punktuatsiya) [5]. Tadqiqotlarning amaliy qismi bo‘yicha Markov va boshqalar (2019) tomonidan olib borilgan profiling tajribasida turli tipdagi belgilar — morfologik, statistik va POS-tag belgilar birgalikda ishlatilgan va ansambl (ensemble) modellar orqali jins va yoshni aniqlash aniqligi oshirilgan [6]. Bu yondashuvlar tilga moslashtirilgan stilometrik modellarning barqarorligini ko‘rsatadi. Bundan tashqari, Rangel va Rosso (2017) tomonidan taklif etilgan profiling modeli foydalanuvchilarning lahjasi (language variety) ni ham tahlil qiladi [7]. Ular Twitter matnlaridagi til o‘zgaruvchanligi orqali muallifning jinsidan tashqari, mintaqaviy fonini ham aniqlash mumkinligini isbotlagan. Profilingning ko‘p tillilik (multilingual) masalasi esa hozirgi kunda alohida tadqiqot yo‘nalishiga aylangan. TWISTY nomli korpus — Verhoeven va Daelemans (2014) tomonidan yaratilgan [8] — ko‘p tilli Twitter postlari asosida profiling modellarini o‘rgatish va sinash imkonini beradi. Bu korpusdagi matnlar tilga bog‘liq bo‘lmagan stilistik xususiyatlar bilan tahlil qilinadi. Ko‘p tilli profiling bo‘yicha yana bir muhim ish — Kestemont va boshqalar (2024) tomonidan e’lon qilingan "Cross-linguistic authorship attribution and gender profiling" maqolasidir [9]. Unda mualliflar shuni isbotlaydilar: stilistik xususiyatlar semantik xususiyatlarga qaraganda tilga kamroq bog‘liq, shuning uchun stilometrik profiling tarjima qilingan matnlarda ham samarali ishlaydi. Profiling sohasida so‘nggi yillarda chuqur o‘rganish (deep learning) yondashuvlari faol qo‘llanila boshladi. Masalan, Malmasi va Zampieri (2022) tomonidan ishlab chiqilgan PART (Pre-trained Authorship Representation Transformer) modeli transformer arxitekturasiga asoslanadi va matndan stilistik embeddinglar yaratadi [10]. Bu yondashuv an’anaviy n-gram modellarga qaraganda ancha yuqori aniqlik ko‘rsatgan. Bundan tashqari, Zhang va boshqalar (2025) tomonidan olib borilgan tadqiqotda yirik til modellari (LLM), xususan GPT, BERT, RoBERTa kabi modellar muallif profilingida qanday ishlatilishini tahlil qilinadi [11]. Ular bu modellarning imkoniyatlari bilan birga, etik xavflari haqida ham fikr yuritishadi. Profiling faqat demografik emas, balki xattiharakatga asoslangan profiling sohasida ham qo‘llanilmoqda. Anzovino va boshqalar (2021) tomonidan e’lon qilingan maqolada Twitter’dagi nafratli nutq tarqatuvchilarning stilistik xususiyatlari tahlil qilingan [12]. Ular aggressiv foydalanuvchilar o‘ziga xos stil va til izlariga ega ekanligini ko‘rsatgan. Profilingga multimodal yondashuv ham taklif etilmoqda. Litvinova va boshqalar (2020) tadqiqotida matndan tashqari — rasm, bio, profil nomi kabi qo‘shimcha metama’lumotlar ham modelga kiritilgan [13]. Bunday multimodal profiling aniqlikni sezilarli oshirishini isbotlagan. Metodologiya. Tadqiqotda ishlatilgan materiallar turli internet platformalaridan olingan foydalanuvchi matnlarini o‘z ichiga oladi. Jumladan, ijtimoiy tarmoqlar (Twitter, Facebook, Instagram), forumlar, bloglar, chat ilovalari (Telegram, WhatsApp) va onlayn sharhlar (YouTube izohlar, e-kommerse reytinglari) ham tahlilga kiritildi. Ushbu platformalarda yozilgan matnlar turli yosh, jins, ijtimoiy qatlam, madaniy muhit va mintaqalarga mansub foydalanuvchilarga tegishli bo‘lib, stilistik va lingvistik xususiyatlarning rang-barang ifodalanishini ta’minlaydi. Matnlar faqat ochiq manbalardan, ya’ni foydalanuvchi roziligi talab qilinmaydigan ommaviy sahifalardan yig‘ib olindi. Bu jarayonda anonimlik va maxfiylik tamoyillari to‘liq saqlangan, shaxsiy identifikatsiyalovchi ma’lumotlar (ism, profil havolasi, telefon raqami va boshqalar) tahlildan chiqarib tashlandi. 223

Matnlarni tayyorlash va korpus yaratishda tahlil uchun yig‘ilgan matnlar oldindan maxsus tozalash va strukturaviy tayyorlov bosqichidan o‘tkazildi. Bunda ortib qolgan HTML teglar, emoji kodlari, reklamaviy iboralar olib tashlandi, matndagi imlo xatolari va noto‘g‘ri yozuvlar Symspell algoritmi yordamida avtomatik tuzatildi, so‘zlar lemmatizatsiya qilindi (spaCy Uzbek model yordamida), har bir foydalanuvchiga tegishli postlar bitta to‘plam (profil) ko‘rinishida guruhlab saqlandi. Umumiy korpus hajmi 7000+ individual postlar, 150+ foydalanuvchi profili, har bir foydalanuvchidan o‘rtacha 30–100 post. Tadqiqotda sifatli (qualitative) va miqdoriy (quantitative) tahlil usullari birgalikda qo‘llanildi. Miqdoriy tahlilda matnlardagi stilistik elementlar chastotasi, qisqa yozuvlar, slang, emoji, qisqartmalar, hashtaglar, leksik boylik (TTR), so‘z chastotasi, gap uzunligi kabi statistik o‘lchovlar, platformalar, foydalanuvchi yoshi, va ijtimoiy guruhlar bo‘yicha o‘zgaruvchanlik tahlillari o’rganildi. Bundan tashqari Stilistik xususiyatlar (ifoda vositalari, uslubiy qurilmalar, ritorik savollar, emotsional ton), lingvistik innovatsiyalar (so‘z o‘yinlari, ijtimoiy memlar, kod-aralash tillar), semantik va kontekstual tahlil (mavzular, kommunikativ niyatlar, o‘quvchiga murojaat shakllari) o’rganildi. Quyida foydalanuvchi matnlarida o‘lchangan asosiy stilistik xususiyatlar va ularning platformalar bo‘yicha taqsimoti keltirilgan. Instagram va Twitter'da qisqa va emotsional postlar ustunlik qiladi. Bloglar esa rasmiyroq va tahliliyroq yozuvlar bilan ajralib turadi. Platforma Qisqa yozuvlar (%) 38 45 50 20 Slang (%) 25 32 35 15 Emoji (%) 18 20 28 10 Qisqartmalar (%) Facebook 8 Twitter 10 Instagram 12 Bloglar & 5 Forumlar 1-jadval. Internet platformalari bo‘yicha stilistik elementlar taqsimoti Hashtaglar (%) 12 25 30 5 Yosh foydalanuvchilar (13–25) o‘z fikrini tez, qisqa va stilistik jihatdan boy ifodalashga moyil, keksa foydalanuvchilar esa grammatik me’yorga tayanadi. Yosh guruhi Qisqa yozuvlar (%) Slang (%) Emoji (%) Qisqartmalar (%) 13–18 55 38 22 12 19–25 48 34 18 10 26–35 35 22 12 8 36+ 25 15 8 5 2-jadval. Yosh guruhlari bo‘yicha stilistik farqlanishlar Tahlil quyidagi texnologik platformalarda amalga oshirildi: Funksiya Vosita / Dastur Matn yig‘ish Python, API, BeautifulSoup Tozalash va lemmatizatsiya spaCy, NLTK, Symspell Statistika pandas, matplotlib, seaborn Semantik tahlil TextBlob, VADER, LIWC Vizualizatsiya Seaborn, Plotly 224

Ushbu tadqiqotda “Stylometric Feature Fusion” nomli yangi kombinatsiyalashgan yondashuv taklif qilindi. Bu yondashuvda leksik, stilistik, sintaktik va semantik belgilar bir vaqtning o‘zida tahlil qilinadi va foydalanuvchi profilingi uchun o‘zaro bog‘langan signallarni yuzaga chiqaradi. Tadqiqot muhokamasi. Tadqiqot natijalari internet foydalanuvchilari tomonidan yaratilgan matnlarning stilistik va lingvistik xususiyatlari ijtimoiy platforma, foydalanuvchining yoshi va kommunikativ konteksti bilan bevosita bog‘liqligini ko‘rsatdi. Analiz jarayonida aniqlanishicha, qisqa yozuvlar, slang, emoji, qisqartmalar va hashtaglar eng ko‘p uchraydigan stilistik elementlar hisoblanadi. Ushbu elementlar nafaqat matnning shakliy ko‘rinishini, balki uning emotsional konnotatsiyasi, kommunikativ ohangi va maqsadli auditoriya bilan aloqasini belgilovchi muhim vositalardir. Ijtimoiy platformalarning tabiati stilistik farqlanishlarga sezilarli darajada ta’sir ko‘rsatadi. Instagram va Twitter platformalarida foydalanuvchilar, odatda, qisqa, tez o‘qiladigan, emotsional va vizual jihatdan boy yozuvlardan foydalanadilar. Bu yerda emoji, hashtag, qisqartma va dialogik ifodalar faol ishlatiladi. Bloglar va forumlar esa aksincha, uzoq, analitik va rasmiyroq matnlar bilan ajralib turadi, bu esa yozuvning informativlik darajasini oshiradi, lekin interaktivlikni pasaytiradi. Yosh omili va stilistik o‘zgaruvchanlik. Yosh guruhlari o‘rtasida ham stilistik foydalanishning aniq farqlari kuzatildi. 13–25 yoshdagi foydalanuvchilar qisqa matnlar, emojilar, slang va abbreviaturalardan faol foydalanib, internet tilining kreativ va dinamik jihatlariga ko‘proq tayanadi. Bu yoshlar guruhida til tez o‘zgaruvchan, innovatsion, ko‘pincha normativ qoidalardan chekinishga moyildir. Aksincha, 26+ yoshdagi foydalanuvchilar orasida matnlar uzunroq, grammatik jihatdan to‘liq, normativ yozma tilga mos yozilganligi kuzatildi. Bu holat shuni ko‘rsatadiki, internet tili yoshga qarab adaptiv tarzda rivojlanadi, ya’ni foydalanuvchi yoshi oshgani sayin u stilistik jihatdan ko‘proq an’anaviy yozma til elementlariga tayanadi, bu esa kommunikatsiyaning rasmiylashishiga olib keladi. Lingvistik innovatsiyalar va foydalanuvchi yaratuvchiligi. Tadqiqot davomida matnlarda yangi so‘zlar, so‘z o‘yinlari, vizual va multimodal ifoda vositalari, memlar, va kod-aralash tillar (masalan, o‘zbek-ingliz yoki rus-ingliz aralash gaplar) kabi lingvistik innovatsiyalar keng qo‘llanilishi aniqlandi. Bu internet kommunikatsiyasi tilini an’anaviy yozma til normalaridan ajratib turadigan asosiy farqlardan biridir. Shuningdek, emoji va hashtaglar kabi vositalarning kommunikatsion samaradorlikni oshirishdagi roli juda muhimdir. Emoji’lar matn ohangini belgilash, hissiy fonni yaratish, hamdardlik, kinoya yoki kulgi kabi emotsional ma’nolarni tez ifodalashda yordam beradi. Hashtaglar esa kontekstni belgilash, mavzu doirasini aniqlash va matnni topish imkonini beradi. Platformalararo stilistik farqlanishlar. Tadqiqot shuni ko‘rsatadiki, platformaga qarab foydalanuvchilar o‘z uslubini o‘zgartiradi — bu holat stilistik moslashuvchanlik (stylistic adaptation) deb ataladi. Masalan: Twitter — qisqa, tezkor, sarkazm va slang ko‘p uchraydi; Instagram — emojilar, hashtaglar va qisqa yozuvlar ustun; Facebook — ko‘proq shaxsiy va hissiy postlar, qisqartmalar mo‘’tadil; Forum va bloglar — tushuntiruvchi, hujjatli, fikrga asoslangan matnlar. Bu esa shuni bildiradiki, internet foydalanuvchisi bir nechta stilistik rejimda harakatlana oladi va u platformaga moslab o‘z tilini va ifoda uslubini o‘zgartiradi. Bunday hodisa stilometrik profiling jarayonida muhim signal hisoblanadi. Tadqiqot natijalari shuni ko‘rsatadiki, internet matnlari faqatgina axborot yetkazuvchi vosita emas, balki tilning o‘zgarish maydoni, stilistik tajriba poligoni 225

va foydalanuvchi yaratuvchiligining namoyon bo‘lish joyi hamdir. Bundan kelib chiqib, quyidagi muhim xulosalar olinadi. Onlayn matnlar orqali foydalanuvchilarning yosh, jins, ijtimoiy holat, madaniy fon kabi omillarini aniqlash mumkin bo‘lgan stilistik izlar mavjud. Til innovatsiyalari asosan yosh foydalanuvchilar tomonidan yaratiladi va ommaviylashadi. Emoji, slang, hashtag kabi elementlar klassik lingvistik kategoriya doirasidan tashqarida bo‘lsa-da, matn emotsionalligini va interaktivligini oshiradi. Foydalanuvchi shaxsiy stili, platforma xususiyati va ijtimoiy-madaniy kontekstga qarab moslashadi — bu esa stilistik profiling jarayonida hisobga olinishi kerak. Xulosa. Xulosa qilib aytganda, ushbu tadqiqot internet foydalanuvchilari tomonidan yaratilgan matnlarning stilistik va lingvistik xususiyatlarini tizimli tahlil qilish orqali onlayn kommunikatsiyaning tilga ko‘rsatadigan sezilarli ta’sirini ochib berdi. Tadqiqot davomida turli internet platformalaridan olingan foydalanuvchi yozuvlari asosida matnlardagi qisqa yozuvlar, slang, qisqartmalar, emoji va hashtaglar kabi stilistik belgilar keng qo‘llanilayotgani aniqlangan. Natijalar shuni ko‘rsatdiki, foydalanuvchilarning yoshi, ijtimoiy guruhga mansubligi va foydalanayotgan platformasi ularning ifoda uslubiga bevosita ta’sir qiladi. Yosh foydalanuvchilar (13–25 yosh) asosan qisqa va emotsional yozuvlar orqali muloqot qilsa, kattaroq foydalanuvchilar (26+) grammatik jihatdan to‘liq va me’yoriy yozilgan matnlar yaratishga moyil bo‘lishadi. Shuningdek, platformalarga qarab stilistik farqlanishlar ham yaqqol kuzatildi: ijtimoiy tarmoqlar (Instagram, Twitter) tezkor va emotsional uslub bilan ajralib turadi, bloglar va forumlar esa ko‘proq analitik va rasmiy matnlarni o‘z ichiga oladi. Tadqiqot internet matnlarining nafaqat axborot vositasi, balki tilning rivojlanish manbai sifatidagi rolini ta’kidladi. Foydalanuvchilarning yaratuvchiligi, tilga ijodiy yondashuvi, yangi lingvistik birliklar va kommunikativ vositalarni shakllantirishi tilshunoslik nuqtayi nazaridan ham katta ahamiyatga ega ekani isbotlandi. Ayniqsa, emoji, hashtag va vizual elementlarning keng qo‘llanishi onlayn matnlarning emotsional va kontekstual qatlamini kuchaytirib, muloqotni interaktiv va dinamik holatga olib keladi. Shuningdek, ushbu tahlil foydalanuvchilarni stilometrik profiling asosida farqlash imkonini yaratdi. Bu yondashuv orqali yozuv muallifining yoshi, jinsiyati yoki ijtimoiy holati kabi demografik ko‘rsatkichlarini bashorat qilish mumkinligi isbotlandi. Ushbu usullar xavfsizlik, kontent monitoringi, tilshunoslik, psixologiya va ta’lim sohalarida amaliy natijalar berishi mumkin. Shu tarzda, tadqiqot internet foydalanuvchilari matnlarining o‘ziga xos stilistik va lingvistik izlarini aniqlash, ularning kommunikativ odatlari, madaniy va yoshga oid tafovutlarini tushunish, shuningdek, tilning zamonaviy internet muhitida qanday shakllanishini o‘rganish uchun mustahkam ilmiy asos yaratadi. Ushbu natijalar kelgusida internet tili, stilistik diversifikatsiya, va muallif identifikatsiyasi bo‘yicha yangi tadqiqot yo‘nalishlari uchun muhim manba bo‘lib xizmat qiladi. Adabiyotlar 1. Stamatatos, E. (2009). A Survey of Modern Authorship Attribution Methods. Journal of the American Society for Information Science and Technology. 2. Rangel, F., Rosso, P. (2013). On the Implications of Author Profiling in Social Media. Language Resources and Evaluation. 3. Schler, J., Koppel, M., et al. (2006). Effects of Age and Gender on Blogging. AAAI. 4. Stamatatos, E., et al. (2022). Survey on Profiling Age and Gender of Text Authors. Expert Systems with Applications. 5. Sittar, A., Ameer, M. (2025). Stylometric Author Profiling for Social Media: A Bird’s Eye View. Computational Social Science Review. 226

6. Markov, I., et al. (2019). Author Profiling Using Combinations of Features. CEUR Workshop Proceedings. 7. Rangel, F., Rosso, P. (2017). PAN Author Profiling Task. CLEF. 8. Verhoeven, B., Daelemans, W. (2014). TWISTY: A Multilingual Stylometry Corpus. CLiPS Technical Report. 9. Kestemont, M., et al. (2024). Cross-Linguistic Authorship Attribution. Digital Scholarship in the Humanities. 10. Malmasi, S., Zampieri, M. (2022). PART: Pre-trained Authorship Representation Transformer. arXiv preprint arXiv:2209.15373. 11. Zhang, X., Liu, F., et al. (2025). Authorship Attribution in the Era of LLMs. Journal of Artificial Intelligence Research. 12. Anzovino, M., Fersini, E., & Rosso, P. (2021). Profiling Hate Speech Spreaders on Twitter. CEUR Workshop Proceedings. 13. Litvinova, O., Seredin, I., Bukhanovskaya, E. (2020). Multimodal Author Profiling in Social Media. Future Internet. 227

Management and Future Technologies journal.umft.uz