論文の概要: What goes on inside rumour and non-rumour tweets and their reactions: A Psycholinguistic Analyses

• arxiv url: http://arxiv.org/abs/2112.03003v1
• Date: Tue, 9 Nov 2021 07:45:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-12 15:44:53.250112
• Title: What goes on inside rumour and non-rumour tweets and their reactions: A Psycholinguistic Analyses
• Title（参考訳）: 噂や非噂のツイートの中で起きていることとその反応:心理学的分析
• Authors: Sabur Butt, Shakshi Sharma, Rajesh Sharma, Grigori Sidorov, Alexander Gelbukh
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.75684238003408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the problem of rumours on online social media (OSM) has attracted lots of attention. Researchers have started investigating from two main directions. First is the descriptive analysis of rumours and secondly, proposing techniques to detect (or classify) rumours. In the descriptive line of works, where researchers have tried to analyse rumours using NLP approaches, there isnt much emphasis on psycho-linguistics analyses of social media text. These kinds of analyses on rumour case studies are vital for drawing meaningful conclusions to mitigate misinformation. For our analysis, we explored the PHEME9 rumour dataset (consisting of 9 events), including source tweets (both rumour and non-rumour categories) and response tweets. We compared the rumour and nonrumour source tweets and then their corresponding reply (response) tweets to understand how they differ linguistically for every incident. Furthermore, we also evaluated if these features can be used for classifying rumour vs. non-rumour tweets through machine learning models. To this end, we employed various classical and ensemble-based approaches. To filter out the highly discriminative psycholinguistic features, we explored the SHAP AI Explainability tool. To summarise, this research contributes by performing an in-depth psycholinguistic analysis of rumours related to various kinds of events.
• Abstract（参考訳）: 近年、オンライン・ソーシャルメディア(osm)における噂の問題は注目を集めている。 研究者は2つの方向から調査を開始した。 第1に、噂の記述的分析、第2に、噂を検知(または分類)する手法を提案する。 nlpアプローチによる噂の分析を試みた記述的著作では,ソーシャルメディアテキストの心理言語学的分析にはあまり注目されていない。 噂のケーススタディに関するこれらの分析は、誤った情報を軽減するために有意義な結論を導くのに不可欠である。 分析では,ソースツイート(噂と非噂の両方)や応答ツイートを含む,9つのイベントからなるPHEME9の噂データセットを調査した。 われわれは、噂や非噂のソースツイートと、それに対応する返信(応答)ツイートを比較して、各インシデントに対して言語的にどう異なるか理解した。 さらに、これらの特徴が、機械学習モデルによる噂対非噂ツイートの分類に利用できるかどうかも評価した。 この目的のために,古典的・アンサンブル的アプローチを多用した。 高度に差別的な心理言語学的特徴を抽出するために、SHAP AI Explainabilityツールを調査した。 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で,その成果を要約する。

関連論文リスト

• CMA-R:Causal Mediation Analysis for Explaining Rumour Detection [33.47709912852258]
  因果媒介分析を適用し、Twitter上での噂検出のためのニューラルモデルの決定過程を説明する。 CMA-Rのアプローチは,モデル予測を説明する健全なツイートを識別し,物語の真偽を決定する批判的ツイートに対して,人間の判断と強い一致を示す。
  論文  参考訳（メタデータ） (2024-02-13T01:31:08Z)
• ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
  ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。 この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。 我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-05-23T16:40:07Z)
• Towards Corpus-Scale Discovery of Selection Biases in News Coverage: Comparing What Sources Say About Entities as a Start [65.28355014154549]
  本稿では,大規模ニュースコーパスにおけるニュースコンテンツから直接メディア選択バイアスのパターンを発見するために,スケーラブルなNLPシステムを構築する上での課題について検討する。 我々は,世界519のニュースソースから180万件のニュース記事のコーパスであるNELA-2020のケーススタディを通じて,フレームワークの能力を示す。
  論文  参考訳（メタデータ） (2023-04-06T23:36:45Z)
• Rumour Detection and Analysis on Twitter [0.0]
  近年、人々はニュースを読み情報を得るためにソーシャルメディアにますます依存している。 一部のソーシャルメディアユーザーは、注意を引くために根拠のない情報を投稿している。 ニューコロナウイルスのパンデミックにより、ルマー検出に注目が集まっている。
  論文  参考訳（メタデータ） (2023-04-04T11:20:37Z)
• Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
  異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。 我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。 3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
  論文  参考訳（メタデータ） (2022-04-19T12:10:03Z)
• Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for Message Veracity Classification in Microblogs [0.0]
  噂は特に個人や社会に深刻なダメージを与える可能性がある。 ほとんどの噂検出アプローチは、噂の特徴分析と社会的特徴に焦点を当てている。 DeepMONITORはディープニューラルネットワークをベースにしており、かなり正確な自動噂検証を可能にする。
  論文  参考訳（メタデータ） (2021-10-11T07:42:41Z)
• Know it to Defeat it: Exploring Health Rumor Characteristics and Debunking Efforts on Chinese Social Media during COVID-19 Crisis [65.74516068984232]
  われわれは、中国のマイクロブログサイトWeiboで、新型コロナウイルス(COVID-19)に関する4ヶ月にわたる噂に関するオンラインディスカッションを包括的に分析した。 以上の結果から、不安(恐怖)型健康噂は、希望(希望)型よりもはるかに多くの議論を巻き起こし、長く続いたことが示唆された。 本稿では,噂の議論を抑えるためのデバンキングの有効性を示す。
  論文  参考訳（メタデータ） (2021-09-25T14:02:29Z)
• BERT based classification system for detecting rumours on Twitter [3.2872586139884623]
  従来の特徴抽出手法ではなく,Twitter上での噂を識別する手法を提案する。 BERTを用いた文埋め込みを用いて、ツイートの文脈的意味に応じて、各ツイートの文をベクターに表現する。 BERTをベースとしたモデルでは,従来の手法に比べて約10%精度が向上した。
  論文  参考訳（メタデータ） (2021-09-07T10:15:54Z)
• Analysing the Extent of Misinformation in Cancer Related Tweets [6.409065843327199]
  がんを専門に話すツイートに関するデータセットを提示する。 本稿では,その拡散に伴う誤情報の自動検出のための注意に基づくディープラーニングモデルを提案する。 この分析は、不正なツイートに関連する様々な社会的側面に関する関連する洞察を集めるのに役立ちます。
  論文  参考訳（メタデータ） (2020-03-30T17:44:42Z)
• Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks [89.13567439679709]
  本稿では,二方向グラフ畳み込みネットワーク (Bi-Directional Graph Convolutional Networks, Bi-GCN) と呼ばれる新しい双方向グラフモデルを提案する。 これは、噂拡散のパターンを学習するために、噂拡散のトップダウン指向グラフを持つGCNと、噂拡散の反対指向グラフを持つGCNを活用して、噂拡散の構造を捉える。
  論文  参考訳（メタデータ） (2020-01-17T15:12:08Z)

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。