論文の概要: Detecting Harmful Online Conversational Content towards LGBTQIA+
Individuals
- arxiv url: http://arxiv.org/abs/2207.10032v1
- Date: Wed, 15 Jun 2022 20:14:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-09 07:01:45.288315
- Title: Detecting Harmful Online Conversational Content towards LGBTQIA+
Individuals
- Title(参考訳): LGBTQIA+個人に対する有害オンライン会話コンテンツの検出
- Authors: Jamell Dacon, Harry Shomer, Shaylynn Crum-Dacon, Jiliang Tang
- Abstract要約: この研究は現実世界のデータセットを導入し、有害なオンライン会話コンテンツの研究と理解を可能にします。
2つのベースライン機械学習モデルと、事前訓練された3つの大規模言語モデルを実装した。
以上の結果から,オンライン対LGBTQIA+会話コンテンツ検出タスクにおいて,大規模言語モデルが非常に有望な性能が得られることが確認された。
- 参考スコア(独自算出の注目度): 30.03410762695714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online discussions, panels, talk page edits, etc., often contain harmful
conversational content i.e., hate speech, death threats and offensive language,
especially towards certain demographic groups. For example, individuals who
identify as members of the LGBTQIA+ community and/or BIPOC (Black, Indigenous,
People of Color) are at higher risk for abuse and harassment online. In this
work, we first introduce a real-world dataset that will enable us to study and
understand harmful online conversational content. Then, we conduct several
exploratory data analysis experiments to gain deeper insights from the dataset.
We later describe our approach for detecting harmful online Anti-LGBTQIA+
conversational content, and finally, we implement two baseline machine learning
models (i.e., Support Vector Machine and Logistic Regression), and fine-tune 3
pre-trained large language models (BERT, RoBERTa, and HateBERT). Our findings
verify that large language models can achieve very promising performance on
detecting online Anti-LGBTQIA+ conversational content detection tasks.
- Abstract(参考訳): オンラインの議論、パネル、トークページ編集などには、しばしば有害な会話内容(ヘイトスピーチ、死の脅威、攻撃的言語など)が含まれている。
例えば、LGBTQIA+コミュニティおよび/またはBIPOC(Black, Indigenous, People of Color)のメンバーとして特定される個人は、オンラインで虐待やハラスメントのリスクが高い。
本稿ではまず,有害なオンライン会話コンテンツの研究と理解を可能にする実世界のデータセットについて紹介する。
次に,探索的データ解析実験を行い,データセットから深い知見を得る。
その後、有害な反LGBTQIA+会話コンテンツを検出するアプローチについて述べ、最後に2つのベースライン機械学習モデル(サポートベクタマシンとロジスティック回帰)と、事前訓練された大規模言語モデル(BERT、RoBERTa、HateBERT)を実装した。
以上の結果から,オンライン対LGBTQIA+会話コンテンツ検出タスクにおいて,大規模言語モデルが非常に有望な性能が得られることが確認された。
関連論文リスト
- What Evidence Do Language Models Find Convincing? [103.67867531892988]
議論の的になっているクエリと、さまざまな事実を含む実世界の証拠文書を組み合わせたデータセットを構築します。
このデータセットを用いて、感度と反ファクト分析を行い、どのテキスト特徴がLLM予測に最も影響するかを探索する。
全体として、現在のモデルは、クエリに対するWebサイトの関連性に大きく依存している一方で、人間が重要と考えるスタイル的特徴をほとんど無視している。
論文 参考訳(メタデータ) (2024-02-19T02:15:34Z) - Explain Thyself Bully: Sentiment Aided Cyberbullying Detection with
Explanation [52.3781496277104]
さまざまなソーシャルメディアネットワークやオンラインコミュニケーションアプリの人気により、サイバーいじめが大きな問題になっている。
一般データ保護規則の「説明の権利」のような近年の法律は、解釈可能なモデルの開発に拍車をかけた。
我々は,コード混在言語からの自動サイバーバブル検出のための,mExCBと呼ばれる最初の解釈可能なマルチタスクモデルを開発した。
論文 参考訳(メタデータ) (2024-01-17T07:36:22Z) - The Uli Dataset: An Exercise in Experience Led Annotation of oGBV [3.139210187540177]
ヒンディー語、タミル語、インド英語の3言語で性別による虐待に関するデータセットを提示する。
このデータセットは、女性や南アジアのLGBTQIAコミュニティのメンバーと同一視する専門家によって、性虐待の経験に関する3つの質問に沿って注釈付けされたツイートで構成されている。
論文 参考訳(メタデータ) (2023-11-15T16:30:44Z) - Fine-Tuning Llama 2 Large Language Models for Detecting Online Sexual
Predatory Chats and Abusive Texts [2.406214748890827]
本稿では,Llama 2 7B-パラメーターモデルを用いて,オンライン性的捕食チャットと虐待言語の検出手法を提案する。
我々は、異なる大きさ、不均衡度、言語(英語、ローマ・ウルドゥー語、ウルドゥー語)のデータセットを用いてLLMを微調整する。
実験結果から,提案手法は3つの異なるデータセットに対して精度よく一貫した性能を示す。
論文 参考訳(メタデータ) (2023-08-28T16:18:50Z) - Countering Malicious Content Moderation Evasion in Online Social
Networks: Simulation and Detection of Word Camouflage [64.78260098263489]
ツイストとカモフラージュキーワードは、プラットフォームコンテンツモデレーションシステムを回避する最もよく使われるテクニックである。
本稿では,コンテンツ回避の新たな手法をシミュレートし,検出する多言語ツールを開発することにより,悪意ある情報に対する対処に大きく貢献する。
論文 参考訳(メタデータ) (2022-12-27T16:08:49Z) - COLD: A Benchmark for Chinese Offensive Language Detection [54.60909500459201]
COLDatasetは、37kの注釈付き文を持つ中国の攻撃的言語データセットである。
また、人気のある中国語モデルの出力攻撃性を研究するために、textscCOLDetectorを提案する。
我々の資源と分析は、中国のオンラインコミュニティを解毒し、生成言語モデルの安全性を評価することを目的としている。
論文 参考訳(メタデータ) (2022-01-16T11:47:23Z) - Addressing the Challenges of Cross-Lingual Hate Speech Detection [115.1352779982269]
本稿では,低リソース言語におけるヘイトスピーチ検出を支援するために,言語間移動学習に着目した。
言語間単語の埋め込みを利用して、ソース言語上でニューラルネットワークシステムをトレーニングし、ターゲット言語に適用します。
本研究では,ヘイトスピーチデータセットのラベル不均衡の問題について検討する。なぜなら,ヘイトサンプルと比較して非ヘイトサンプルの比率が高いことがモデル性能の低下につながることが多いからだ。
論文 参考訳(メタデータ) (2022-01-15T20:48:14Z) - DeepHate: Hate Speech Detection via Multi-Faceted Text Representations [8.192671048046687]
DeepHateは、単語埋め込み、感情、トピック情報などの多面的なテキスト表現を組み合わせた、新しいディープラーニングモデルです。
大規模な実験を行い、3つの大規模公開現実世界のデータセットでDeepHateを評価します。
論文 参考訳(メタデータ) (2021-03-14T16:11:30Z) - Detecting Online Hate Speech: Approaches Using Weak Supervision and
Network Embedding Models [2.3322477552758234]
本研究では,ヘイトフルユーザを定量的に発見する弱監督型深層学習モデルを提案する。
我々は、19.2Mの投稿において、我々のモデルを評価し、我々の弱い監督モデルは、間接的に憎悪的な相互作用を識別するベースラインモデルよりも優れていることを示す。
また,Gabにおける2種類のユーザインタラクション(引用と応答)と,弱監督モデルからのインタラクションスコアをエッジウェイトとして分析し,ヘイトフルユーザを予測する。
論文 参考訳(メタデータ) (2020-07-24T18:13:52Z) - Transfer Learning for Hate Speech Detection in Social Media [14.759208309842178]
本稿では、2つの独立したデータセットを協調的に活用するために転送学習手法を用いる。
我々は、構築されたヘイトスピーチ表現の解釈可能な2次元可視化ツールを構築します。
この共同表現は,限られた監督範囲の場合にのみ予測性能が向上することを示す。
論文 参考訳(メタデータ) (2019-06-10T08:00:58Z)
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。