論文の概要: Corrigendum and addendum to: How Populist are Parties? Measuring Degrees
of Populism in Party Manifestos Using Supervised Machine Learning
- arxiv url: http://arxiv.org/abs/2201.07972v1
- Date: Fri, 14 Jan 2022 18:08:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-23 18:59:26.952645
- Title: Corrigendum and addendum to: How Populist are Parties? Measuring Degrees
of Populism in Party Manifestos Using Supervised Machine Learning
- Title（参考訳）: Corrigendum と addendum: ポピュリストはパルティザン?
監視機械学習を用いた党宣言におけるポピュリズムのデグリーの測定
- Authors: Jessica Di Cocco and Bernardo Monechi
- Abstract要約: この論文は、以前発表された記事「どのポピュリストは党員か」の校正と補遺である。
これらのコリゲンダムとアドオンは、データラベルの誤りを訂正し、以前に公開された論文に含まれていない追加の洞察を示すために準備された。
本論文で提案する簡易ラベリング手法は, 専門家のスコアと相関関係のバイアスを生じさせるが, ランダムラベリングは相関関係を著しく減少させることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper is a corrigendum and addendum to the previously published article:
'How Populist are Parties? Measuring Degrees of Populism in Party Manifestos
Using Supervised Machine Learning' (Political Analysis, 1-17.
doi:10.1017/pan.2021.29). These corrigendum and addendum were prepared to
correct errors in data labelling and show some extra insights not included in
the previously published paper. Here, we report these corrections and point to
some additional conclusions by focusing on the effects of the label reshuffling
per parties and years and presenting new figures wherever appropriate. We show
that although the simplified labelling method proposed in the
previously-published article can induce biases in the correlations with expert
scores, random labelling reduces correlations significantly. We show that this
is also true for correlations based on a manually-coded data set. These
modifications are based on other evidence and results reported in detail in a
future publication.
- Abstract（参考訳）: 本論文は,先述した論文 "how populist are parties? measuring degrees of populism in party manifestos using supervised machine learning" のコリゲンダムと付加体である (政治分析,1-17. doi:10.1017/pan.2021.29)。
これらのcorrigendumとaddendumは、データラベリングのエラーを訂正し、以前の論文には含まれていない洞察を示す。
ここでは、これらの補正を報告し、当事者ごとのラベルリシャッフルの効果に着目し、適切な場所に新しい数字を提示することによって、さらなる結論を示す。
本論文で提案する簡易ラベル付け手法は,エキスパートスコアとの相関に偏りを生じさせるが,ランダムラベル付けは相関を著しく減少させる。
これは、手動で符号化されたデータセットに基づく相関にも当てはまる。
これらの修正は、将来の出版物で詳細に報告された他の証拠と結果に基づいている。
関連論文リスト
- Mitigating Spurious Correlations via Disagreement Probability [4.8884049398279705]
経験的リスク最小化(ERM)で訓練されたモデルは、ターゲットラベルとバイアス属性の急激な相関に偏りがちである。
すべてのデータサンプルのモデル性能を堅牢に向上する訓練目標を導入する。
次に, バイアスラベルを必要としない脱バイアス法DPR(Disagreement Probability based Resampling for Debiasing)を導出する。
論文 参考訳（メタデータ） (2024-11-04T02:44:04Z) - Distinct citation distributions complicate research evaluations. A single indicator that universally reveals research efficiency cannot be formulated [0.0]
サイズに依存しないトップパーセンタイルに基づく指標は、地域出版物のグローバルなランクが権力法に適合するときに正確である。
最も引用されていない論文の偏差は、国で頻繁に見られ、高い影響因子を持つ全てのジャーナルで発生します。
論文 参考訳（メタデータ） (2024-07-12T10:16:21Z) - Leveraging Prototypical Representations for Mitigating Social Bias without Demographic Information [50.29934517930506]
DAFairは、言語モデルにおける社会的バイアスに対処する新しいアプローチである。
偏見を緩和するために、原型的人口統計テキストを活用し、微調整プロセス中に正規化用語を取り入れる。
論文 参考訳（メタデータ） (2024-03-14T15:58:36Z) - The Impact of Differential Feature Under-reporting on Algorithmic Fairness [86.275300739926]
解析的に抽出可能な差分特徴のアンダーレポーティングモデルを提案する。
そして、この種のデータバイアスがアルゴリズムの公正性に与える影響を特徴づける。
我々の結果は、実世界のデータ設定では、アンダーレポートが典型的に格差を増大させることを示している。
論文 参考訳（メタデータ） (2024-01-16T19:16:22Z) - Unsupervised Bias Detection in College Student Newspapers [0.0]
本稿では,複雑なアーカイブサイトをスクレイピングするフレームワークを導入し,23,154項目からなる14の学生論文のデータセットを生成する。
このアプローチの利点は、リコンストラクションバイアスよりも比較が低く、キーワードの感情を生成するよりもラベル付きデータが少ないことである。
結果は、政治的に課金された単語と制御された単語に基づいて計算され、どのように結論が導き出されるかを示す。
論文 参考訳（メタデータ） (2023-09-11T06:51:09Z) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳（メタデータ） (2022-12-06T07:38:29Z) - Balancing out Bias: Achieving Fairness Through Training Reweighting [58.201275105195485]
自然言語処理におけるバイアスは、性別や人種などの著者の特徴を学習するモデルから生じる。
既存のバイアスの緩和と測定方法は、著者の人口統計学と言語変数の相関を直接考慮していない。
本稿では,インスタンス再重み付けを用いたバイアス対策法を提案する。
論文 参考訳（メタデータ） (2021-09-16T23:40:28Z) - Disentangling Sampling and Labeling Bias for Learning in Large-Output
Spaces [64.23172847182109]
異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。
すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
論文 参考訳（メタデータ） (2021-05-12T15:40:13Z) - Contrastive Examples for Addressing the Tyranny of the Majority [83.93825214500131]
我々は,グループメンバーシップを介在する,オリジナルのデータセットと新たなデータポイントからなるバランスの取れたトレーニングデータセットを作成することを提案する。
コントラッシブ・サンプル(英語版)と呼ばれるこれらのデータポイントを学習するための強力なツールとして、現在の生成的敵ネットワークが重要であることを示す。
論文 参考訳（メタデータ） (2020-04-14T14:06:44Z)
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。