論文の概要: Dissecting the Meme Magic: Understanding Indicators of Virality in Image Memes

• arxiv url: http://arxiv.org/abs/2101.06535v1
• Date: Sat, 16 Jan 2021 22:36:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-15 01:04:41.306195
• Title: Dissecting the Meme Magic: Understanding Indicators of Virality in Image Memes
• Title（参考訳）: ミームの魔法を解き明かす:イメージミームの虚偽の指標を理解する
• Authors: Chen Ling, Ihab AbuHilal, Jeremy Blackburn, Emiliano De Cristofaro, Savvas Zannettou, and Gianluca Stringhini
• Abstract要約: 非常にバイラルなミームは、クローズアップスケールを使用し、キャラクターを包含し、ポジティブな感情やネガティブな感情を含む傾向にある。 一方、明瞭な主題を提示しない画像ミームは、視聴者が注意を向けたり、長いテキストを含む画像ミームは、ユーザーによって再共有されがちである。 われわれは機械学習モデルを訓練し、バイラルになりそうな画像ミームと、再共有される可能性が低い画像ミームを区別する。
• 参考スコア（独自算出の注目度）: 11.491215688828518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the increasingly important role played by image memes, we do not yet have a solid understanding of the elements that might make a meme go viral on social media. In this paper, we investigate what visual elements distinguish image memes that are highly viral on social media from those that do not get re-shared, across three dimensions: composition, subjects, and target audience. Drawing from research in art theory, psychology, marketing, and neuroscience, we develop a codebook to characterize image memes, and use it to annotate a set of 100 image memes collected from 4chan's Politically Incorrect Board (/pol/). On the one hand, we find that highly viral memes are more likely to use a close-up scale, contain characters, and include positive or negative emotions. On the other hand, image memes that do not present a clear subject the viewer can focus attention on, or that include long text are not likely to be re-shared by users. We train machine learning models to distinguish between image memes that are likely to go viral and those that are unlikely to be re-shared, obtaining an AUC of 0.866 on our dataset. We also show that the indicators of virality identified by our model can help characterize the most viral memes posted on mainstream online social networks too, as our classifiers are able to predict 19 out of the 20 most popular image memes posted on Twitter and Reddit between 2016 and 2018. Overall, our analysis sheds light on what indicators characterize viral and non-viral visual content online, and set the basis for developing better techniques to create or moderate content that is more likely to catch the viewer's attention.
• Abstract（参考訳）: 画像ミームが果たす役割はますます重要になってきていますが、ミームをソーシャルメディアでバイラルにする要素について、私たちはまだしっかりと理解していません。 本稿では,ソーシャルメディア上で広範にバイラルな画像ミームと,再共有されない画像ミームを,構成,主題,対象オーディエンスという3次元で区別する視覚要素について検討する。 美術理論,心理学,マーケティング,神経科学の研究から,画像ミームを特徴付けるコードブックを開発し,それを4chanの政治不正委員会(/pol/)から収集した100枚の画像ミームに注釈付けする。 一方、非常にバイラルなミームは、クローズアップスケールを使用し、文字を包含し、ポジティブまたはネガティブな感情を含む傾向にある。 一方、視聴者が注目できる明確な主題を提示しない画像ミームや、長いテキストを含む画像ミームは、利用者によって再共有されそうにない。 我々は機械学習モデルをトレーニングし、バイラル化しやすい画像ミームと再共有できない画像ミームを区別し、データセットで0.866のAUCを取得する。 また、われわれのモデルで特定されたバイラル性の指標は、主流のオンラインソーシャルネットワークに投稿された最もバイラルなミームを特徴づけるのに役立つことも示している。 概して、本分析は、どの指標がオンラインのバイラルおよび非ウイルスの視覚コンテンツを特徴付けるかを明らかにし、視聴者の注意を引かせる可能性のあるコンテンツを作成または適度に作成するためのより良い技術を開発するための基礎を定めている。

関連論文リスト

• XMeCap: Meme Caption Generation with Sub-Image Adaptability [53.2509590113364]
  社会的な意味や文化的な詳細に深く根ざした噂は、機械にとってユニークな挑戦である。 我々は、教師付き微調整と強化学習を採用するtextscXMeCapフレームワークを紹介した。 textscXMeCapは、シングルイメージのミームの平均評価スコアが75.85で、マルチイメージのミームは66.32で、それぞれ3.71%と4.82%で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-07-24T10:51:46Z)
• What Makes a Meme a Meme? Identifying Memes for Memetics-Aware Dataset Creation [0.9217021281095907]
  マルチモーダルインターネットミームは現在、オンライン談話におけるユビキタスなフィクスチャとなっている。 ミームはミームを模倣してシンボルに変換する過程である。 我々は,ミームと非ミームコンテンツとを識別するミーム識別プロトコルを開発した。
  論文  参考訳（メタデータ） (2024-07-16T15:48:36Z)
• Meme-ingful Analysis: Enhanced Understanding of Cyberbullying in Memes Through Multimodal Explanations [48.82168723932981]
  Em MultiBully-Exは、コード混在型サイバーいじめミームからマルチモーダルな説明を行うための最初のベンチマークデータセットである。 ミームの視覚的およびテキスト的説明のために,コントラスト言語-画像事前学習 (CLIP) アプローチが提案されている。
  論文  参考訳（メタデータ） (2024-01-18T11:24:30Z)
• Contextualizing Internet Memes Across Social Media Platforms [8.22187358555391]
  我々は,知識のセマンティックリポジトリ,すなわち知識グラフを用いて,インターネットミームを文脈化できるかどうかを検討する。 RedditとDiscordという2つのソーシャルメディアプラットフォームから何千もの潜在的なインターネットミーム投稿を収集し、抽出-変換-ロード手順を開発し、候補ミーム投稿とデータレイクを作成します。 視覚変換器をベースとした類似性を利用して、これらの候補をIMKGでカタログ化されたミーム(インターネットミームの知識グラフ)と比較する。
  論文  参考訳（メタデータ） (2023-11-18T20:18:18Z)
• A Template Is All You Meme [83.05919383106715]
  我々は,54,000枚以上の画像からなる www.knowyourme.com で発見されたミームと情報の知識ベースをリリースする。 我々は、ミームテンプレートが、以前のアプローチから欠落したコンテキストでモデルを注入するのに使えると仮定する。
  論文  参考訳（メタデータ） (2023-11-11T19:38:14Z)
• Mapping Visual Themes among Authentic and Coordinated Memes [0.0]
  ミームの低次元視覚埋め込みを学習し、K平均を協調的にクラスタリングし、協調するミームに適用する。 本物のミームとコーディネートされたミームは、多くの視覚的テーマを共有しているが、度合いは様々である。 低次元埋め込みにおける単純なロジスティック回帰は、IRAミームとRedditミームを区別し、サンプル外テストの精度は0.84である。
  論文  参考訳（メタデータ） (2022-06-06T01:26:39Z)
• Detecting and Understanding Harmful Memes: A Survey [48.135415967633676]
  我々は有害なミームに焦点を当てた総合的な調査を行っている。 興味深い発見の1つは、多くの有害ミームが実際には研究されていないことである。 別の観察では、ミームは異なる言語で再パッケージ化することでグローバルに伝播し、多言語化することもできる。
  論文  参考訳（メタデータ） (2022-05-09T13:43:27Z)
• Memes in the Wild: Assessing the Generalizability of the Hateful Memes Challenge Dataset [47.65948529524281]
  Pinterestからヘイトフルで非ヘイトフルなミームを収集して、Facebookデータセットで事前トレーニングされたモデルで、サンプル外のパフォーマンスを評価します。 1) キャプションをOCRで抽出しなければならない,2) ミームは従来のミームよりも多様であり, 会話のスクリーンショットやテキストをプレーンな背景に表示する,という2つの重要な側面がある。
  論文  参考訳（メタデータ） (2021-07-09T09:04:05Z)
• Entropy and complexity unveil the landscape of memes evolution [105.59074436693487]
  われわれは、2011年から2020年までの10年間で、Redditから200万のビジュアルミームの進化を研究した。 ミームは新たなインターネットメタ言語の一部であるという仮説を支持する。
  論文  参考訳（メタデータ） (2021-05-26T07:41:09Z)
• Dank or Not? -- Analyzing and Predicting the Popularity of Memes on Reddit [0.0]
  我々は、2020年3月中旬にRedditから収集された129,326ミームのデータを分析した。 ミームの成功は、そのコンテンツだけでは適度に予測できる。 また、画像関連属性とテキスト属性の両方が、相互に顕著な漸進的な予測力を持つことがわかった。
  論文  参考訳（メタデータ） (2020-11-29T09:57:17Z)
• SemEval-2020 Task 8: Memotion Analysis -- The Visuo-Lingual Metaphor! [20.55903557920223]
  本提案の目的は,インターネットミームの自動処理に研究コミュニティの注意を向けることである。 タスクMemotion分析は、10Kのアノテートミームをリリースし、人間のアノテートラベルは感情(肯定的、否定的、中立的)、感情のタイプ(皮肉的、面白い、攻撃的、動機的、動機的)とそれに対応する強さである。 課題は、ミームの感情(肯定的、否定的、中立的)分析、全体的な感情(感情、皮肉、攻撃的、動機的)分類、ミームの強さの分類である。
  論文  参考訳（メタデータ） (2020-08-09T18:17:33Z)

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。