論文の概要: A deep dive into the consistently toxic 1% of Twitter
- arxiv url: http://arxiv.org/abs/2202.07853v1
- Date: Wed, 16 Feb 2022 04:21:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:58:36.144520
- Title: A deep dive into the consistently toxic 1% of Twitter
- Title（参考訳）: twitterの一貫して有毒な1%を深く掘り下げる
- Authors: Hina Qayyum, Benjamin Zi Hao Zhao, Ian D. Wood, Muhammad Ikram,
Mohamed Ali Kaafar, Nicolas Kourtellis
- Abstract要約: この調査は、112万のTwitterプロフィールから14年間のツイートと2億2300万以上のツイートをカバーしている。
有害なコンテンツの一貫性の観点から最も極端なプロファイルを選択し、彼らのツイートテキストと、彼らが共有したドメイン、ハッシュタグ、URLを調べました。
その結果、これらのプロファイルはハッシュタグ、URL、ドメインの多様性の低い狭いテーマに保たれており、数学的に互いに似ており、ボットのような振る舞いの可能性が高いことがわかった。
- 参考スコア（独自算出の注目度）: 9.669275987983447
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Misbehavior in online social networks (OSN) is an ever-growing phenomenon.
The research to date tends to focus on the deployment of machine learning to
identify and classify types of misbehavior such as bullying, aggression, and
racism to name a few. The main goal of identification is to curb natural and
mechanical misconduct and make OSNs a safer place for social discourse. Going
beyond past works, we perform a longitudinal study of a large selection of
Twitter profiles, which enables us to characterize profiles in terms of how
consistently they post highly toxic content. Our data spans 14 years of tweets
from 122K Twitter profiles and more than 293M tweets. From this data, we
selected the most extreme profiles in terms of consistency of toxic content and
examined their tweet texts, and the domains, hashtags, and URLs they shared. We
found that these selected profiles keep to a narrow theme with lower diversity
in hashtags, URLs, and domains, they are thematically similar to each other (in
a coordinated manner, if not through intent), and have a high likelihood of
bot-like behavior (likely to have progenitors with intentions to influence).
Our work contributes a substantial and longitudinal online misbehavior dataset
to the research community and establishes the consistency of a profile's toxic
behavior as a useful factor when exploring misbehavior as potential accessories
to influence operations on OSNs.
- Abstract（参考訳）: オンラインソーシャルネットワーク(OSN)におけるミス行動は、ますます増加する現象である。
これまでの研究は、いじめ、攻撃、人種差別など、ある種の不行行動を特定し分類するための機械学習の展開に重点を置いてきた。
識別の主な目的は、自然と機械の不正行為を抑え、OSNをより安全な社会談話の場にすることである。
過去の作品以外にも、多くのtwitterプロフィールの縦断的な調査を行い、非常に有毒なコンテンツを投稿する方法でプロフィールを特徴付けることができるようになりました。
私たちのデータは、1億2000万のtwitterプロフィールから14年間のツイートと293万以上のツイートにまたがる。
このデータから,有害コンテンツの一貫性の観点から最も極端なプロファイルを選択し,それらのツイートテキストと共有したドメイン,ハッシュタグ,urlを調べた。
これらの選択されたプロファイルは、ハッシュタグ、url、ドメインの多様性が低く、互いにテーマ的に類似しており(意図していなくても、協調的に)、ボットのような振る舞いの可能性が高い(おそらく、影響する意図を持つ先駆者を持つ)ことが判明した。
本研究は,OSNの操作に影響を与えるアクセサリーとして誤動作を探索する上で有用な要因として,プロファイルの有害な行動の一貫性を確立することを目的としている。
関連論文リスト
- On mission Twitter Profiles: A Study of Selective Toxic Behavior [5.0157204307764625]
本研究は「オンミッションプロファイル」と呼ばれる影響操作に使用される可能性のあるプロファイルを特徴付けることを目的とする。
128万件のTwitterやX、プロフィール、293万件のツイートの時系列データは、テーマの多様性に基づいたプロファイリングを可能にする。
論文 参考訳（メタデータ） (2024-01-25T15:42:36Z) - Understanding writing style in social media with a supervised
contrastively pre-trained transformer [57.48690310135374]
オンラインソーシャルネットワークは、ヘイトスピーチから偽情報の拡散まで、有害な行動の場として機能している。
本稿では, 4.5 x 106テキストの公開資料から得られた大規模コーパスに基づいて学習したStyle Transformer for Authorship Representations (STAR)を紹介する。
512個のトークンからなる8つのドキュメントからなるサポートベースを使用して、著者を最大1616人の著者のセットから、少なくとも80%の精度で識別することができる。
論文 参考訳（メタデータ） (2023-10-17T09:01:17Z) - A longitudinal study of the top 1% toxic Twitter profiles [9.669275987983447]
われわれはTwitterのプロフィール143万件を調査し、Twitter上の有害コンテンツの上位1%のプロデューサの行動に焦点を当てた。
合計で2億2300万のツイートが16年間にわたって流れているため、時系列データによって、関連するすべてのプロフィールのタイムラインを再構築することができます。
ツイートはハッシュタグ、URL、ドメインの多様性が低い狭いテーマに保たれています。
論文 参考訳（メタデータ） (2023-03-26T01:55:28Z) - 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) - Identification of Twitter Bots based on an Explainable ML Framework: the
US 2020 Elections Case Study [72.61531092316092]
本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。
Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。
また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
論文 参考訳（メタデータ） (2021-12-08T14:12:24Z) - 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) - High-level Approaches to Detect Malicious Political Activity on Twitter [0.0]
2020年5月、約500万のアカウントと1億2000万以上のツイートで撮影されたデータスナップショットを調査した。
分析期間は2019年8月から2020年5月までで、2019年10月6日のポルトガル総選挙に焦点が当てられている。
私たちは、Twitterのサスペンションパターンが、ポルトガルのTwitter圏で見られる政治的トロルのタイプに適していないことを知りました。
論文 参考訳（メタデータ） (2021-02-04T22:54:44Z) - Misleading Repurposing on Twitter [3.0254442724635173]
本研究は, ミスリーディング再資源化に関する最初の, 大規模研究である。
悪意のあるユーザーは、フォロワーを維持しながらアカウントを新しい目的に利用するために、プロフィール属性の変更などを通じて、ソーシャルメディアアカウントのアイデンティティを変更する。
本稿では,インターネットアーカイブのTwitter Stream Grabから収集したデータに対する教師あり学習を用いて,再利用されたアカウントにフラグを付ける手法と行動の定義を提案する。
論文 参考訳（メタデータ） (2020-10-20T20:19:01Z) - ALONE: A Dataset for Toxic Behavior among Adolescents on Twitter [5.723363140737726]
本稿では,ALONE(AdoLescents ON twittEr)と呼ばれる,高校生間の有害なソーシャルメディアインタラクションのデータセットを提供する。
インターネット利用者の66%近くがオンラインハラスメントを経験しており、41%が個人的体験を主張しており、18%が深刻なオンラインハラスメントに直面している。
我々の観察では、個々のツイートが有害な行動を示す十分な証拠を提供していないことが示されており、インタラクションにおける意味のあるコンテキストの利用により、報告された有害性のあるツイートをハイライトしたり削除したりすることが可能である。
論文 参考訳（メタデータ） (2020-08-14T17:02:55Z) - 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) - Privacy-Aware Recommender Systems Challenge on Twitter's Home Timeline [47.434392695347924]
ACM RecSysが主催するRecSys 2020 Challengeは、このデータセットを使用してTwitterと提携している。
本稿では,ユーザエンゲージメントを予測しようとする研究者や専門家が直面する課題について述べる。
論文 参考訳（メタデータ） (2020-04-28T23:54:33Z)
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。