論文の概要: Towards Detecting Inauthentic Coordination in Twitter Likes Data
- arxiv url: http://arxiv.org/abs/2305.07384v1
- Date: Fri, 12 May 2023 11:24:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-15 13:18:45.692589
- Title: Towards Detecting Inauthentic Coordination in Twitter Likes Data
- Title(参考訳): twitter likesデータにおける不正なコーディネーション検出に向けて
- Authors: Laura Jahn and Rasmus K. Rendsvig
- Abstract要約: ユーザーはカスタムに、品質と権威の中立的なプロキシとして、いいね!などのエンゲージメントのメトリクスを取る。
これは、操作のようなインセンティブを、*コーディネートされた非正当性行動*(CIB)を通じて、世論に影響を与える。
いいね!をターゲットとしたCIBは、ユーザの好みの行動に関する適切なデータを集めることは簡単ではないため、ほとんど研究されていない。
本稿は,Twitterから適切な嗜好データを集めるためのスクリプトアルゴリズムと,デンマークの政治ツイッタースフィア#dkpolからの好意データを集めた30日間のデータセットをコントリビュートする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Social media feeds typically favor posts according to user engagement. The
most ubiquitous type of engagement (and the type we study) is *likes*. Users
customarily take engagement metrics such as likes as a neutral proxy for
quality and authority. This incentivizes like manipulation to influence public
opinion through *coordinated inauthentic behavior* (CIB). CIB targeted at likes
is largely unstudied as collecting suitable data about users' liking behavior
is non-trivial. This paper contributes a scripted algorithm to collect suitable
liking data from Twitter and a collected 30 day dataset of liking data from the
Danish political Twittersphere #dkpol, over which we analyze the script's
performance. Using only the binary matrix of users and the tweets they liked,
we identify large clusters of perfectly correlated users, and discuss our
findings in relation to CIB.
- Abstract(参考訳): ソーシャルメディアのフィードは通常、ユーザーのエンゲージメントに応じて投稿を好む。
最もユビキタスなタイプのエンゲージメント(そして私たちが調査したタイプ)は*likes*です。
ユーザは、品質と権威の中立的なプロキシとしてlikesのようなエンゲージメントメトリクスを、慣例的に受け取っています。
これは*コーディネートされた不真理な行動*(cib)を通じて世論に影響を与えるような操作にインセンティブを与えます。
likesをターゲットにしたcibは、ユーザーの好みに関する適切なデータを集めることは自明ではない。
本稿は,Twitterから適切な嗜好データを収集するスクリプトアルゴリズムと,デンマークの政治ツイッタースフィア#dkpolから収集した30日間のデータセットに寄与し,スクリプトのパフォーマンスを解析する。
ユーザのバイナリマトリックスと彼らが好んだつぶやきのみを使用して、完全に相関したユーザの大きなクラスタを特定し、cibに関する調査結果を議論します。
関連論文リスト
- Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。
自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。
本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
論文 参考訳(メタデータ) (2023-07-05T20:16:20Z) - Going beyond research datasets: Novel intent discovery in the industry
setting [60.90117614762879]
本稿では,大規模なeコマースプラットフォームに展開する意図発見パイプラインを改善する手法を提案する。
ドメイン内データに基づく事前学習型言語モデルの利点を示す。
また,クラスタリングタスクの微調整中に,実生活データセットの会話構造(質問と回答)を利用するための最善の方法も考案した。
論文 参考訳(メタデータ) (2023-05-09T14:21:29Z) - Detecting Political Opinions in Tweets through Bipartite Graph Analysis:
A Skip Aggregation Graph Convolution Approach [9.350629400940493]
私たちは2020年の米国大統領選挙に集中し、Twitterから大規模なデータセットを作成します。
ツイート中の政治的意見を検出するために,ユーザの投稿行動とリツイート行動に基づいて,ユーザツイートの2部グラフを構築した。
ツイートノードに2階隣人からの情報を集約する新しいスキップアグリゲーション機構を導入する。
論文 参考訳(メタデータ) (2023-04-22T10:38:35Z) - D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling
Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。
ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。
それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文 参考訳(メタデータ) (2022-08-10T03:41:48Z) - Twitter-COMMs: Detecting Climate, COVID, and Military Multimodal
Misinformation [83.2079454464572]
本稿では,DARPAセマンティック・フォレスティクス(SemaFor)プログラムにおける画像テキスト不整合検出へのアプローチについて述べる。
Twitter-COMMsは大規模マルチモーダルデータセットで、884万のツイートが気候変動、新型コロナウイルス、軍用車両のトピックに関連する。
我々は、最先端のCLIPモデルに基づいて、自動生成されたランダムとハードのネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガ
論文 参考訳(メタデータ) (2021-12-16T03:37:20Z) - 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) - Choice-Aware User Engagement Modeling andOptimization on Social Media [0.9944647907864257]
エンゲージメント予測タスクをマルチラベル分類問題として定式化する。
本論文では,ユーザエンゲージメント履歴を組み込んだニューラルネットワークアーキテクチャを提案し,その状況に応じて選択条件を予測する。
提案するツイートがエンゲージメントの成果に与える影響について,適切なスイート最適化問題を解くことにより検討する。
論文 参考訳(メタデータ) (2021-04-01T23:31:01Z) - Towards A Sentiment Analyzer for Low-Resource Languages [0.0]
本研究は,当時盛んに議論されてきた特定のトレンドトピックに対して,ユーザの感情を分析することを目的としている。
2019年のインドネシア大統領選挙で話題になったハッシュタグのtextit#kpujangancurangを使っています。
本研究は,ラピッドマイニングツールを用いて,Twitterデータを生成し,Nieve Bayes,K-Nearest Neighbor,Decision Tree,Multi-Layer Perceptronの分類手法を比較し,Twitterデータの感情を分類する。
論文 参考訳(メタデータ) (2020-11-12T13:50:00Z) - Sentiment Analysis on Social Media Content [0.0]
本研究の目的は,Twitterから収集した実データの感情分析を行うモデルを提案することである。
Twitterのデータは非常に非構造化されており、分析が困難である。
提案手法は,教師付き機械学習アルゴリズムと教師なし機械学習アルゴリズムの併用により,この分野の先行研究とは異なる。
論文 参考訳(メタデータ) (2020-07-04T17:03:30Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳(メタデータ) (2020-07-03T15:37:25Z) - TIMME: Twitter Ideology-detection via Multi-task Multi-relational
Embedding [26.074367752142198]
我々は、人々のイデオロギーや政治的傾向を予測する問題を解決することを目的としている。
我々は、Twitterデータを用いてそれを推定し、分類問題として定式化する。
論文 参考訳(メタデータ) (2020-06-02T00:00:39Z)
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。