論文の概要: Fast Few shot Self-attentive Semi-supervised Political Inclination Prediction

• arxiv url: http://arxiv.org/abs/2209.10292v1
• Date: Wed, 21 Sep 2022 12:07:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 15:16:32.638616
• Title: Fast Few shot Self-attentive Semi-supervised Political Inclination Prediction
• Title（参考訳）: 自撮り半監督政治傾斜予測の高速化
• Authors: Souvic Chakraborty, Pawan Goyal, Animesh Mukherjee
• Abstract要約: 政策立案者やジャーナリストにとって、特定の場所にいる人々の政治的傾向を理解するために、ソーシャルメディア上でオンライン世論調査を作成することは、今やますます一般的になっている。 我々は、その目的をさらに進めるために、政治的傾き検出のための自己注意型半教師付きフレームワークを導入する。 資源制約のある設定でも,モデルは非常に効率的であることがわかった。
• 参考スコア（独自算出の注目度）: 12.472629584751509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rising participation of the common mass in social media, it is increasingly common now for policymakers/journalists to create online polls on social media to understand the political leanings of people in specific locations. The caveat here is that only influential people can make such an online polling and reach out at a mass scale. Further, in such cases, the distribution of voters is not controllable and may be, in fact, biased. On the other hand,if we can interpret the publicly available data over social media to probe the political inclination of users, we will be able to have controllable insights about the survey population, keep the cost of survey low and also collect publicly available data without involving the concerned persons. Hence we introduce a self-attentive semi-supervised framework for political inclination detection to further that objective. The advantage of our model is that it neither needs huge training data nor does it need to store social network parameters. Nevertheless, it achieves an accuracy of 93.7\% with no annotated data; further, with only a few annotated examples per class it achieves competitive performance. We found that the model is highly efficient even in resource-constrained settings, and insights drawn from its predictions match the manual survey outcomes when applied to diverse real-life scenarios.
• Abstract（参考訳）: ソーシャルメディアにおける大衆の参加が高まるにつれ、政策立案者やジャーナリストが特定の場所にいる人々の政治的傾向を理解するためにソーシャルメディア上でオンライン世論調査を作成することがますます一般的になっている。 ここでの注意事項は、影響力のある人だけがそのようなオンライン投票を行い、大規模にリーチできることだ。 さらに、そのような場合、有権者の分布は制御不能であり、実際には偏りがある可能性がある。 一方で、ソーシャルメディア上で公開されているデータを解釈して、ユーザーの政治的傾向を調査できれば、調査人口に関するコントロール可能な洞察を得ることができ、調査のコストを低く抑えることができ、また、関係者を巻き込むことなく、公開可能なデータを収集することができる。 そこで本稿では,政治傾斜検出のための自己注意型半教師付きフレームワークを提案する。 私たちのモデルの利点は、膨大なトレーニングデータも、ソーシャルネットワークパラメータを格納する必要もないことです。 それでも、アノテートデータなしで93.7\%の精度を達成し、また、クラスごとにいくつかのアノテートされた例しか持たず、競合性能を達成している。 資源制約のある環境においてもモデルは非常に効率的であり,その予測から得られた知見は,多様な実生活シナリオに適用した場合の手動調査結果と一致することがわかった。

関連論文リスト

• Differentially Private Data Release on Graphs: Inefficiencies and Unfairness [48.96399034594329]
  本稿では,ネットワーク情報公開の文脈における偏見と不公平性に対する差別的プライバシの影響を特徴づける。 ネットワーク構造が全員に知られているネットワークリリースの問題を考えるが、エッジの重みをプライベートにリリースする必要がある。 我々の研究は、これらのネットワーク化された決定問題におけるプライバシーに起因する偏見と不公平性に関する理論的根拠と実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-08-08T08:37:37Z)
• Sampled Datasets Risk Substantial Bias in the Identification of Political Polarization on Social Media [34.192291430580454]
  ポーランドの政治論争の構造分極を24時間にわたって調査する。 大規模なサンプルはプラットフォーム上の政治的議論全体を表すことができるが、小さなサンプルはオンラインでの偏光の真の構造を正確に反映することができない。
  論文  参考訳（メタデータ） (2024-06-28T12:13:29Z)
• Modeling Political Orientation of Social Media Posts: An Extended Analysis [0.0]
  オンラインソーシャルメディア上で政治的分極を特徴付ける機械学習モデルを開発することは、大きな課題である。 これらの課題は主に、注釈付きデータの欠如、ソーシャルメディアデータセットにおけるノイズの存在、膨大な量のデータなど、さまざまな要因に起因している。 本稿では、ソーシャルメディア投稿のラベル付けに、メディアバイアスと投稿コンテンツを活用する2つの方法を紹介する。 ソーシャルメディア投稿の政治的指向を予測することで,現在の機械学習モデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2023-11-21T03:34:20Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Quantitative Analysis of Forecasting Models:In the Aspect of Online Political Bias [0.0]
  ソーシャルメディア投稿を5つの異なる政治傾向カテゴリーに分類する手法を提案する。 我々のアプローチは、政治的イデオロギーの異なる2つのソーシャルメディアデータセット上で、既存の時系列予測モデルを活用することである。
  論文  参考訳（メタデータ） (2023-09-11T16:17:24Z)
• Measuring the Effect of Influential Messages on Varying Personas [67.1149173905004]
  我々は、ニュースメッセージを見る際にペルソナが持つ可能性のある応答を推定するために、ニュースメディア向けのペルソナに対するレスポンス予測という新しいタスクを提示する。 提案課題は,モデルにパーソナライズを導入するだけでなく,各応答の感情極性と強度も予測する。 これにより、ペルソナの精神状態に関するより正確で包括的な推測が可能になる。
  論文  参考訳（メタデータ） (2023-05-25T21:01:00Z)
• Design and analysis of tweet-based election models for the 2021 Mexican legislative election [55.41644538483948]
  選挙日前の6ヶ月の間に、1500万件の選挙関連ツイートのデータセットを使用します。 地理的属性を持つデータを用いたモデルが従来のポーリング法よりも精度と精度で選挙結果を決定することがわかった。
  論文  参考訳（メタデータ） (2023-01-02T12:40:05Z)
• Leveraging Administrative Data for Bias Audits: Assessing Disparate Coverage with Mobility Data for COVID-19 Policy [61.60099467888073]
  管理データのリンクによって,バイアスに対するモビリティデータの監査が可能かを示す。 我々は、高齢者や非白人の有権者が移動データによって捕えられる可能性が低いことを示した。 このような移動データに基づく公衆衛生資源の配分は、高リスク高齢者や少数民族に不当に害を与える可能性があることを示す。
  論文  参考訳（メタデータ） (2020-11-14T02:04:14Z)
• "What We Can't Measure, We Can't Understand": Challenges to Demographic Data Procurement in the Pursuit of Fairness [0.0]
  アルゴリズムフェアネスの実践者は、実際にはバイアスを検出する必要があると感じている人口統計データにアクセスできないことが多い。 このジレンマは,アルゴリズムフェアネスに隣接する38人の実践者や専門家との半構造化インタビューを通じて検討した。 参加者は、人口統計データの可用性と利用状況が地上でどのように見えるか、複雑な絵を描いた。
  論文  参考訳（メタデータ） (2020-10-30T21:06:41Z)
• How Twitter Data Sampling Biases U.S. Voter Behavior Characterizations [6.364128212193265]
  近年の研究では、悪質な社会ボットやトロルのような不正なアクターの存在が明らかにされている。 本稿では,2018年米国中間選挙のTwitterデータを用いて,このギャップを埋めることを目的としている。 ハイパーアクティブアカウントは、様々な不審な振る舞いを示し、低信頼度情報を共有する傾向にあることを示す。
  論文  参考訳（メタデータ） (2020-06-02T08:33:30Z)
• Measuring Social Biases of Crowd Workers using Counterfactual Queries [84.10721065676913]
  性別、人種などに基づく社会的バイアスは、主にバイアス付きトレーニングデータセットを介して、汚染された機械学習(ML)パイプラインに示されている。 クラウドソーシング(Crowdsourcing)は、ラベル付きトレーニングデータセットを収集するための一般的な費用効果尺度であり、群衆労働者の社会的偏見に免疫がない。 本研究では, 集団労働者ごとの社会的バイアスの程度を定量化するための, 対実的公正度に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-04-04T21:41:55Z)

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。