論文の概要: SocCogCom at SemEval-2020 Task 11: Characterizing and Detecting
Propaganda using Sentence-Level Emotional Salience Features
- arxiv url: http://arxiv.org/abs/2008.13012v1
- Date: Sat, 29 Aug 2020 16:55:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 17:31:32.315733
- Title: SocCogCom at SemEval-2020 Task 11: Characterizing and Detecting
Propaganda using Sentence-Level Emotional Salience Features
- Title（参考訳）: soccogcom at semeval-2020 task 11: characterizing and detection propaganda using sentence-level emotional salience features (英語)
- Authors: Gangeshwar Krishnamurthy, Raj Kumar Gupta, Yinping Yang
- Abstract要約: 本稿では,ニュースセグメントから抽出した感情的サリエンスの特徴が,プロパガンダ技術の存在を特徴づけ,予測するのに役立つかを検討する。
BERTのみに0.548のF1スコア, 感情強度, BERTハイブリッドに0.570のF1スコアが得られた。
負荷言語」(F1 = 0.772)、"name call and labeling" (F1 = 0.673)、"doubt" (F1 = 0.604)、"flag swing" (F1 = 0.543) を比較的よく検出した。
- 参考スコア（独自算出の注目度）: 5.37133760455631
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper describes a system developed for detecting propaganda techniques
from news articles. We focus on examining how emotional salience features
extracted from a news segment can help to characterize and predict the presence
of propaganda techniques. Correlation analyses surfaced interesting patterns
that, for instance, the "loaded language" and "slogan" techniques are
negatively associated with valence and joy intensity but are positively
associated with anger, fear and sadness intensity. In contrast, "flag waving"
and "appeal to fear-prejudice" have the exact opposite pattern. Through
predictive experiments, results further indicate that whereas BERT-only
features obtained F1-score of 0.548, emotion intensity features and BERT hybrid
features were able to obtain F1-score of 0.570, when a simple feedforward
network was used as the classifier in both settings. On gold test data, our
system obtained micro-averaged F1-score of 0.558 on overall detection efficacy
over fourteen propaganda techniques. It performed relatively well in detecting
"loaded language" (F1 = 0.772), "name calling and labeling" (F1 = 0.673),
"doubt" (F1 = 0.604) and "flag waving" (F1 = 0.543).
- Abstract（参考訳）: 本稿では,ニュース記事からプロパガンダ手法を検出するシステムについて述べる。
本稿では,ニュースセグメントから抽出した感情的サリエンスの特徴が,プロパガンダ技術の存在を特徴づけ,予測するのに役立つかを検討する。
相関分析は、例えば「負荷のある言語」と「スローガン」のテクニックは、原子価と喜びの強さと負の関連があるが、怒り、恐怖、悲しみの強さと正の関連がある興味深いパターンを表面化した。
対照的に、"flag waves" と "appeal to fear-prejudice" は正反対のパターンを持つ。
予測実験により, BERTのみの特徴が0.548のF1スコアを得たのに対し, 感情強度特徴とBERTハイブリッド特徴が0.570のF1スコアを得ることができた。
金の試験データから,14種類のプロパガンダによる検出効果について,F1スコア0.558のマイクロ平均値を得た。
負荷言語」(F1 = 0.772)、"name call and labeling" (F1 = 0.673)、"doubt" (F1 = 0.604)、"flag swing" (F1 = 0.543) を比較的よく検出した。
関連論文リスト
- Zero- and Few-shot Named Entity Recognition and Text Expansion in Medication Prescriptions using ChatGPT [0.384477122144121]
大規模言語モデル(LLM)は、入力プロンプトに応答してテキストを生成する有望な能力を示している。
われわれはChatGPT 3.5を用いて、排出サマリーにおける医薬品のステートメントを自動構築し、拡張する。
論文 参考訳（メタデータ） (2024-09-26T09:49:27Z) - Adversarial Training For Low-Resource Disfluency Correction [50.51901599433536]
ディフルエンシ補正(DC)のための逆学習型シーケンスタグ付けモデルを提案する。
提案手法の利点は,3つのインド語でDCに対して評価することで,合成された非流動データに大きく依存することを示す。
また,本手法は,音声障害によって導入されたASR文字の破面的不一致の除去にも有効である。
論文 参考訳（メタデータ） (2023-06-10T08:58:53Z) - RaSa: Relation and Sensitivity Aware Representation Learning for
Text-based Person Search [51.09723403468361]
関係性と感性を考慮した表現学習法(RaSa)を提案する。
RaSaにはリレーショナル・アウェア・ラーニング(RA)と感性・アウェア・ラーニング(SA)という2つの新しいタスクが含まれている。
実験によると、RaSaは既存の最先端メソッドを6.94%、4.45%、および15.35%で上回っている。
論文 参考訳（メタデータ） (2023-05-23T03:53:57Z) - Toward Human Readable Prompt Tuning: Kubrick's The Shining is a good
movie, and a good prompt too? [84.91689960190054]
大規模言語モデルは、自然言語のプロンプトが与えられた場合、ゼロショットで新しいタスクを実行することができる。
特にプロンプトが自然言語である場合、どの要因がプロンプトを効果的にするかは明らかにされていない。
論文 参考訳（メタデータ） (2022-12-20T18:47:13Z) - Audio Deepfake Detection Based on a Combination of F0 Information and
Real Plus Imaginary Spectrogram Features [51.924340387119415]
ASVspoof 2019 LAデータセットの実験結果から,提案手法はオーディオディープフェイク検出に非常に有効であることがわかった。
提案方式は音声深度検出作業に非常に有効であり,ほぼ全てのシステムにまたがる等価誤差率(EER)が0.43%に達する。
論文 参考訳（メタデータ） (2022-08-02T02:46:16Z) - Improving Health Mentioning Classification of Tweets using Contrastive
Adversarial Training [6.586675643422952]
周辺単語による単語表現を学習し,テキスト中の絵文字を用いて分類結果の改善を支援する。
モデルの埋め込みを摂動することで逆例を生成し、クリーンで逆例のペアでモデルを訓練する。
実験では、BERT-Largeベースラインが1.0%、RoBERTa-Largeベースラインが0.6%、F1スコアが5.8%となっている。
論文 参考訳（メタデータ） (2022-03-03T18:20:51Z) - Contrastive Clustering: Toward Unsupervised Bias Reduction for Emotion
and Sentiment Classification [0.0]
本研究は、新型コロナウイルスのトピックに対するバイアスの影響を評価する。
新型コロナウイルス(COVID-19)のソーシャルメディアテキストに適用した場合、バイアスを減らすための自動アルゴリズムを実証する。
論文 参考訳（メタデータ） (2021-11-14T20:58:04Z) - FSER: Deep Convolutional Neural Networks for Speech Emotion Recognition [0.015863809575305417]
本研究では、4つの有効な音声データベース上で訓練された音声感情認識モデルFSERを紹介する。
各ベンチマークデータセットでは、FSERはこれまでに導入された最高のモデルよりも優れており、最先端のパフォーマンスを実現している。
FSERは、精神的および感情的な医療を改善するために使われる可能性がある。
論文 参考訳（メタデータ） (2021-09-15T05:03:24Z) - Label Distribution Amendment with Emotional Semantic Correlations for
Facial Expression Recognition [69.18918567657757]
意味空間における表現間の相関を利用して,各顔画像のラベル分布を補正する手法を提案する。
各画像のセマンティックグラフとタスククラス関連グラフを比較することにより、そのラベル分布の信頼性を評価する。
実験により,提案手法は最先端手法と比較した場合よりも有効であることが示された。
論文 参考訳（メタデータ） (2021-07-23T07:46:14Z) - Mitigating Biases in Toxic Language Detection through Invariant
Rationalization [70.36701068616367]
性別、人種、方言などの属性に対するバイアスは、毒性検出のためのほとんどのトレーニングデータセットに存在する。
本稿では,論理生成器と予測器から構成されるゲーム理論フレームワークである不変合理化(InvRat)を用いて,特定の構文パターンの素早い相関を除外することを提案する。
本手法は, 語彙属性と方言属性の両方において, 従来のデバイアス法よりも低い偽陽性率を示す。
論文 参考訳（メタデータ） (2021-06-14T08:49:52Z) - Inno at SemEval-2020 Task 11: Leveraging Pure Transformer for
Multi-Class Propaganda Detection [0.701955947252181]
本稿では,SEMEVAL 2020タスク11「ニュース記事におけるプロパガンダ技術の検出」に対するチーム"Inno"のソリューションを提案する。
第2サブタスクの目的は、ニュース記事データセットで与えられた18のプロパガンダ技法の1つに対応するテキストセグメントを分類することである。
論文 参考訳（メタデータ） (2020-08-26T14:42:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。