論文の概要: Hate is the New Infodemic: A Topic-aware Modeling of Hate Speech Diffusion on Twitter

• arxiv url: http://arxiv.org/abs/2010.04377v1
• Date: Fri, 9 Oct 2020 05:43:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 04:57:37.775052
• Title: Hate is the New Infodemic: A Topic-aware Modeling of Hate Speech Diffusion on Twitter
• Title（参考訳）: hate is the new infodemic: twitterにおけるヘイトスピーチ拡散のトピック認識モデル
• Authors: Sarah Masud, Subhabrata Dutta, Sakshi Makkar, Chhavi Jain, Vikram Goyal, Amitava Das, Tanmoy Chakraborty
• Abstract要約: われわれは、Twitter上でヘイトスピーチの発生を誘発するユーザー行動を探究することに重点を置いている。 ツイート、リツイート、ユーザー活動履歴、フォロワーネットワークの大規模なデータセットをクロールします。 これらのダイナミクスを管理する情報の異なる信号の特徴付けを行う。
• 参考スコア（独自算出の注目度）: 24.94135874070525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online hate speech, particularly over microblogging platforms like Twitter, has emerged as arguably the most severe issue of the past decade. Several countries have reported a steep rise in hate crimes infuriated by malicious hate campaigns. While the detection of hate speech is one of the emerging research areas, the generation and spread of topic-dependent hate in the information network remain under-explored. In this work, we focus on exploring user behaviour, which triggers the genesis of hate speech on Twitter and how it diffuses via retweets. We crawl a large-scale dataset of tweets, retweets, user activity history, and follower networks, comprising over 161 million tweets from more than $41$ million unique users. We also collect over 600k contemporary news articles published online. We characterize different signals of information that govern these dynamics. Our analyses differentiate the diffusion dynamics in the presence of hate from usual information diffusion. This motivates us to formulate the modelling problem in a topic-aware setting with real-world knowledge. For predicting the initiation of hate speech for any given hashtag, we propose multiple feature-rich models, with the best performing one achieving a macro F1 score of 0.65. Meanwhile, to predict the retweet dynamics on Twitter, we propose RETINA, a novel neural architecture that incorporates exogenous influence using scaled dot-product attention. RETINA achieves a macro F1-score of 0.85, outperforming multiple state-of-the-art models. Our analysis reveals the superlative power of RETINA to predict the retweet dynamics of hateful content compared to the existing diffusion models.
• Abstract（参考訳）: オンラインヘイトスピーチ、特にTwitterのようなマイクロブログプラットフォームは、おそらく過去10年で最も深刻な問題だ。 いくつかの国は、悪意のある憎悪キャンペーンに激怒した憎悪犯罪の急増を報告している。 ヘイトスピーチの検出は新興研究分野の1つであるが、情報ネットワークにおけるトピック依存ヘイトの生成と拡散は未調査のままである。 本研究では、Twitter上でヘイトスピーチの発生を誘発するユーザー行動の探索と、リツイートによる拡散方法に焦点を当てる。 われわれは、ツイート、リツイート、ユーザー活動履歴、フォロワーネットワークの大規模なデータセットをクロールし、4100万以上のユニークユーザーから1億6100万以上のツイートを集めた。 また、オンラインで発行された600万以上の現代ニュース記事も収集しています。 これらのダイナミクスを管理する情報の異なる信号の特徴付けを行う。 本解析では,ヘイトの存在下での拡散ダイナミクスと通常の情報拡散を区別する。 これにより、実世界の知識を持つトピック認識環境でモデリング問題を定式化する動機付けとなる。 任意のハッシュタグに対するヘイトスピーチの開始を予測するために,複数の特徴量モデルを提案し,マクロF1スコア0.65を達成した。 一方、Twitter上でのリツイートのダイナミクスを予測するために、スケールされたドット積の注意を使って外因性の影響を組み込んだ新しいニューラルネットワークであるRETINAを提案する。 RETINAは0.85のマクロF1スコアを達成し、複数の最先端モデルを上回っている。 我々の分析では、既存の拡散モデルと比較して、ヘイトフルコンテンツのリツイートダイナミクスを予測するRETINAの最上位のパワーを明らかにしている。

関連論文リスト

• ProvocationProbe: Instigating Hate Speech Dataset from Twitter [0.39052860539161904]
  textitProvocationProbeは、ヘイトスピーチを一般的なヘイトスピーチと区別するためのデータセットである。 本研究では、Twitterから約2万件のツイートを収集し、全世界で9件の論争を巻き起こした。
  論文  参考訳（メタデータ） (2024-10-25T16:57:59Z)
• Analyzing User Characteristics of Hate Speech Spreaders on Social Media [20.57872238271025]
  ヘイトスピーチにおけるユーザ特性の役割を分析する。 社会的影響の少ないユーザーは、ヘイトスピーチをシェアする傾向にある。 政治的反トランプと反右派憎悪は、より大きな社会的影響力を持つユーザーによって再創造される。
  論文  参考訳（メタデータ） (2023-10-24T12:17:48Z)
• Revisiting Hate Speech Benchmarks: From Data Curation to System Deployment [26.504056750529124]
  GOTHateは、Twitterからヘイトスピーチを検出するために約51万の投稿をクラウドソースした大規模クラウドソースデータセットである。 最近の10のベースラインでベンチマークを行い、内因性信号の追加がヘイトスピーチ検出タスクをどのように強化するかを検討する。 我々のHEN-mBERTは多言語混合実験モデルであり、潜在内因性信号で言語的部分空間を豊かにする。
  論文  参考訳（メタデータ） (2023-06-01T19:36:52Z)
• Predicting Hate Intensity of Twitter Conversation Threads [26.190359413890537]
  DRAGNET++は、将来、ツイートが返信チェーンを通じてもたらす憎悪の強さを予測することを目的としている。 ツイートスレッドのセマンティックな構造と伝播構造を利用して、続く各ツイートにおけるヘイトインテンシティの低下につながるコンテキスト情報を最大化する。 DRAGNET++は最先端のすべてのベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-06-16T18:51:36Z)
• Manipulating Twitter Through Deletions [64.33261764633504]
  Twitter上でのインフルエンスキャンペーンの研究は、公開APIを通じて得られたツイートから悪意のあるアクティビティを識別することに大きく依存している。 ここでは,1100万以上のアカウントによる10億以上の削除を含む,異常な削除パターンを網羅的かつ大規模に分析する。 少数のアカウントが毎日大量のツイートを削除していることがわかった。 まず、ツイートのボリューム制限が回避され、特定のアカウントが毎日2600万以上のツイートをネットワークに流すことができる。 第二に、調整されたアカウントのネットワークは、繰り返しのいいね!や、最終的に削除されるコンテンツとは違って、ランキングアルゴリズムを操作できる。
  論文  参考訳（メタデータ） (2022-03-25T20:07:08Z)
• What goes on inside rumour and non-rumour tweets and their reactions: A Psycholinguistic Analyses [58.75684238003408]
  ソーシャルメディアのテキストの心理言語学的分析は、誤情報を緩和するために意味のある結論を導くのに不可欠である。 本研究は,様々な事象に関する噂の深い心理言語学的分析を行うことによって貢献する。
  論文  参考訳（メタデータ） (2021-11-09T07:45:11Z)
• Hate versus Politics: Detection of Hate against Policy makers in Italian tweets [0.6289422225292998]
  本稿では,イタリアにおけるTwitterの政策立案者に対するヘイトスピーチの分類問題について論じる。 1264ツイートを収集,注釈し,アノテータ間の不一致事例を調査し,ドメイン内およびドメイン間ヘイトスピーチ分類を行った。 我々は、ROC AUC 0.83の性能を達成し、最も予測可能な属性を分析し、また、反政治家と反移民ドメインで異なる言語特徴を見出した。
  論文  参考訳（メタデータ） (2021-07-12T12:24:45Z)
• News consumption and social media regulations policy [70.31753171707005]
  我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。 以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。 Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
  論文  参考訳（メタデータ） (2021-06-07T19:26:32Z)
• Racism is a Virus: Anti-Asian Hate and Counterspeech in Social Media during the COVID-19 Crisis [51.39895377836919]
  新型コロナウイルスは、アジアのコミュニティをターゲットにしたソーシャルメディア上で人種差別や憎悪を引き起こしている。 我々は、Twitterのレンズを通して、反アジアヘイトスピーチの進化と普及について研究する。 私たちは、14ヶ月にわたる反アジア的憎悪と反音声のデータセットとして最大となるCOVID-HATEを作成します。
  論文  参考訳（メタデータ） (2020-05-25T21:58:09Z)
• Detecting Perceived Emotions in Hurricane Disasters [62.760131661847986]
  私たちはHurricaneEmoを紹介します。HurricaneEmoは、Harvey、Irma、Mariaの3つのハリケーンにまたがる15,000の英語ツイートの感情データセットです。 本稿では, きめ細かい感情を包括的に研究し, 粗い感情群を識別するための分類タスクを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:17:49Z)
• #MeToo on Campus: Studying College Sexual Assault at Scale Using Data Reported on Social Media [71.74529365205053]
  我々は、#トレンドが大学フォロワーのプールに与える影響を分析した。 その結果、これらの#ツイートに埋め込まれたトピックの大部分は、セクシャルハラスメントのストーリーを詳述している。 この傾向といくつかの主要地理的地域に関する公式な報告との間には大きな相関関係がある。
  論文  参考訳（メタデータ） (2020-01-16T18:05:46Z)

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。