論文の概要: A Machine Learning, Natural Language Processing Analysis of Youth
Perspectives: Key Trends and Focus Areas for Sustainable Youth Development
Policies
- arxiv url: http://arxiv.org/abs/2211.14321v1
- Date: Fri, 25 Nov 2022 02:43:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 19:05:50.840152
- Title: A Machine Learning, Natural Language Processing Analysis of Youth
Perspectives: Key Trends and Focus Areas for Sustainable Youth Development
Policies
- Title(参考訳): 機械学習, 自然言語処理による若者の視点分析:持続可能な青年開発政策のキートレンドと焦点領域
- Authors: Kushaagra Gupta
- Abstract要約: 2030年のアジェンダ・フォー・サステナブル・デベロップメントは、若者のエンゲージメントの必要性と若者の視点を取り入れることを強調している。
本研究の目的は、持続可能な開発目標17の課題に対する若者の視点、価値観、感情を分析することである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Investing in children and youth is a critical step towards inclusive,
equitable, and sustainable development for current and future generations.
Several international agendas for accomplishing common global goals emphasize
the need for active youth participation and engagement for sustainable
development. The 2030 Agenda for Sustainable Development emphasizes the need
for youth engagement and the inclusion of youth perspectives as an important
step toward addressing each of the 17 Sustainable Development Goals. The aim of
this study is to analyze youth perspectives, values, and sentiments towards
issues addressed by the 17 Sustainable Development Goals through social network
analysis using machine learning. Social network data collected during 7 major
sustainability conferences aimed at engaging children and youth is analyzed
using natural language processing techniques for sentiment analysis. This data
categorized using a natural language processing text classifier trained on a
sample dataset of social network data during the 7 youth sustainability
conferences for deeper understanding of youth perspectives in relation to the
SDGs. Machine learning identified demographic and location attributes and
features are utilized in order to identify bias and demographic differences
between ages, gender, and race among youth. Using natural language processing,
the qualitative data collected from over 7 different countries in 3 languages
are systematically translated, categorized, and analyzed, revealing key trends
and focus areas for sustainable youth development policies. The obtained
results reveal the general youth's depth of knowledge on sustainable
development and their attitudes towards each of the 17 SDGs. The findings of
this study serve as a guide toward better understanding the interests, roles,
and perspectives of children and youth in achieving the goals of Agenda 2030.
- Abstract(参考訳): 子供と若者への投資は、現在の世代と将来の世代のための包括的で公平で持続可能な発展への重要なステップである。
共通のグローバル目標を達成するためのいくつかの国際議題は、活動的な青少年参加と持続可能な開発への関与の必要性を強調している。
2030年の持続可能な開発のためのアジェンダでは、17の持続可能な開発目標のそれぞれに取り組むための重要なステップとして、若者の参加の必要性と若者の視点の必要性を強調している。
本研究の目的は、機械学習を用いたソーシャルネットワーク分析を通じて、持続可能開発目標17の課題に対する若者の視点、価値観、感情を分析することである。
子どもと若者のエンゲージメントを目的とした7つの主要なサステナビリティ会議で収集されたソーシャルネットワークデータを,感情分析のための自然言語処理技術を用いて分析した。
本研究は,社会ネットワークデータのサンプルデータセット上で学習した自然言語処理テキスト分類器を用いて7つの青年持続可能性会議において分類した。
機械学習は、年齢、性別、人種間の偏りと人口差を識別するために、人口特性と地域特性と特徴を識別する。
自然言語処理を用いて、3言語で7つの異なる国から収集された質的データは体系的に翻訳され、分類され、分析され、持続可能な若者開発政策のための重要なトレンドと焦点領域を明らかにする。
その結果,青少年の持続的発展に関する知識の深さ,および17個のsdgに対する態度が明らかになった。
本研究の成果は,2030年度の目標達成における子どもと若者の関心,役割,展望をより深く理解するための指針となる。
関連論文リスト
- BabySLM: language-acquisition-friendly benchmark of self-supervised
spoken language models [56.93604813379634]
音声表現を学習するための自己指導技術は、人間のラベルを必要とせずに、音声への露出から言語能力を高めることが示されている。
語彙および構文レベルで音声言語モデルを探索するために,言語習得に親しみやすいベンチマークを提案する。
テキストと音声のギャップを埋めることと、クリーンな音声とその内話のギャップを埋めることである。
論文 参考訳(メタデータ) (2023-06-02T12:54:38Z) - HumBEL: A Human-in-the-Loop Approach for Evaluating Demographic Factors
of Language Models in Human-Machine Conversations [26.59671463642373]
LM言語スキルの人口統計学的要因を計測して,対象とする人口動態との整合性を決定する方法について検討する。
ヒトにおける言語スキル獲得の基準を持つ音声言語病理の臨床的手法を提案する。
本稿では,専門医(臨床認可言語病理医)と共同で評価を行い,臨床評価を大規模に補完する自動手法を提案する。
論文 参考訳(メタデータ) (2023-05-23T16:15:24Z) - Interactive Natural Language Processing [67.87925315773924]
対話型自然言語処理(iNLP)は,NLP分野における新しいパラダイムとして登場した。
本稿では,iNLPの概念の統一的定義と枠組みを提案することから,iNLPに関する包括的調査を行う。
論文 参考訳(メタデータ) (2023-05-22T17:18:29Z) - ARNOLD: A Benchmark for Language-Grounded Task Learning With Continuous
States in Realistic 3D Scenes [72.83187997344406]
ARNOLDは、現実的な3Dシーンにおける連続状態による言語によるタスク学習を評価するベンチマークである。
ARNOLDは、オブジェクト状態の理解と継続的な目標のための学習ポリシーを含む8つの言語条件のタスクで構成されている。
論文 参考訳(メタデータ) (2023-04-09T21:42:57Z) - Transition to Adulthood for Young People with Intellectual or
Developmental Disabilities: Emotion Detection and Topic Modeling [17.58173792124059]
本研究では、自然言語処理(NLP)手法を用いて、心理学者が感情や感情を分析するのを支援する方法について検討する。
成人期への移行期であるIDDを欠いた若年者と比較した。
論文 参考訳(メタデータ) (2022-09-21T16:23:45Z) - Symbiotic Child Emotional Support with Social Robots and Temporal
Knowledge Graphs [0.0]
我々は,社会ロボット知識グラフ(KG)を用いたリアルタイム感情支援(ES)のための共生フレームワークの開発を提案する。
このフレームワークはどちらも、子どもにESステートメントを提供することで社会ロボットを誘導し、子どもの感情状態や関連する出来事を時間とともに追跡・解釈する専門家を支援する。
論文 参考訳(メタデータ) (2022-05-26T08:44:31Z) - Vision-and-Language Navigation: A Survey of Tasks, Methods, and Future
Directions [23.389491536958772]
VLN(Vision-and-Language Navigation)は、この目標に向けた基本的な、学際的な研究テーマである。
VLNは自然言語処理、コンピュータビジョン、ロボティクス、機械学習コミュニティから注目を集めている。
本稿では,VLN研究コミュニティの詳細な参照として機能する。
論文 参考訳(メタデータ) (2022-03-22T16:58:10Z) - SustainBench: Benchmarks for Monitoring the Sustainable Development
Goals with Machine Learning [63.192289553021816]
国連持続可能な開発目標の進展は、主要な環境・社会経済指標のデータ不足によって妨げられている。
近年の機械学習の進歩により、衛星やソーシャルメディアなど、豊富な、頻繁に更新され、グローバルに利用可能なデータを活用することが可能になった。
本稿では,7個のSDGにまたがる15個のベンチマークタスクの集合であるSustainBenchを紹介する。
論文 参考訳(メタデータ) (2021-11-08T18:59:04Z) - NeurIPS 2021 Competition IGLU: Interactive Grounded Language
Understanding in a Collaborative Environment [71.11505407453072]
協調環境における対話型接地言語理解(IGLU: Interactive Grounded Language Understanding)を提案する。
競争の主目的は、対話型エージェントをいかにして構築するかという問題にアプローチすることであり、協調環境において、接地された自然言語命令を提供しながらタスクの解決を学ぶことである。
この研究課題は、自然言語理解・生成(NLU/G)と強化学習(RL)という、NeurIPSコミュニティと密接に関連している2つの分野に自然に関連している。
論文 参考訳(メタデータ) (2021-10-13T07:13:44Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳(メタデータ) (2021-01-19T12:23:32Z) - Self-supervised learning through the eyes of a child [35.235974685889396]
汎用的な自己教師型学習目標を用いた,発達的な自然映像から高レベルな視覚表現が出現することを示す。
以上の結果から,発達的に現実的な自然映像から高レベルな視覚表現が出現することが示唆された。
論文 参考訳(メタデータ) (2020-07-31T17:33:45Z)
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。