論文の概要: Measuring Stereotypes using Entity-Centric Data

• arxiv url: http://arxiv.org/abs/2305.09548v1
• Date: Tue, 16 May 2023 15:45:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 14:09:20.101297
• Title: Measuring Stereotypes using Entity-Centric Data
• Title（参考訳）: エンティティ中心データを用いたステレオタイプの測定
• Authors: Navid Madani, Rabiraj Bandyopadhyay, Michael Miller Yoder and Kenneth Joseph
• Abstract要約: 本稿は,Twitter と Wikipedia のバイオグラフィーからステレオタイプを学習するための3つの新しいエンティティ中心の手法を提案し,評価する。 モデルは、複数のフレーズが同一人物に適用されているという事実を活用して、学習された協会の人中心の性質を拡大することによって訓練される。 これらのモデルは,1)個人や他者に適用するアイデンティティを予測し,2)健全な社会次元のステレオタイプを定量化するなど,既存のステレオタイプ測定手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 13.545748376337393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stereotypes inform how we present ourselves and others, and in turn how we behave. They are thus important to measure. Recent work has used projections of embeddings from Distributional Semantic Models (DSMs), such as BERT, to perform these measurements. However, DSMs capture cognitive associations that are not necessarily relevant to the interpersonal nature of stereotyping. Here, we propose and evaluate three novel, entity-centric methods for learning stereotypes from Twitter and Wikipedia biographies. Models are trained by leveraging the fact that multiple phrases are applied to the same person, magnifying the person-centric nature of the learned associations. We show that these models outperform existing approaches to stereotype measurement with respect to 1) predicting which identities people apply to themselves and others, and 2) quantifying stereotypes on salient social dimensions (e.g. gender). Via a case study, we also show the utility of these models for future questions in computational social science.
• Abstract（参考訳）: ステレオタイプは、私たち自身や他の人がどのように振る舞うかを知らせます。 したがって、測定は重要である。 近年の研究では, BERT などの分布意味モデル (DSM) からの埋め込みの予測を用いて測定を行った。 しかし、DSMはステレオタイピングの対人関係に必ずしも関係しない認知的関連を捉えている。 本稿では,TwitterとWikipediaからステレオタイプを学習するための3つの新しいエンティティ中心の手法を提案し,評価する。 モデルは、複数のフレーズが同じ人に適用されているという事実を利用して訓練され、学習された関係の人中心の性質を拡大する。 これらのモデルが既存のステレオタイプ計測手法を上回っていることを示す。 1)自他に対してどのような同一性が適用されるかを予測すること、及び 2)健全な社会的次元(性別など)のステレオタイプを定量化する。 ケーススタディとして,計算社会科学における今後の課題に対するこれらのモデルの有用性を示す。

関連論文リスト

• Towards Scalable Topic Detection on Web via Simulating Levy Walks Nature of Topics in Similarity Space [55.97416108140739]
  類似性空間におけるLevi Walk自然をシミュレートすることで,グループトピックに対する新しい,しかし非常に強力なExplore-Exploit(EE)アプローチを提案する。 2つの公開データセットの実験により、我々の手法は、有効性の観点からは最先端の手法に匹敵するだけでなく、効率面では最先端の手法よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-26T07:19:46Z)
• Exploring Embeddings for Measuring Text Relatedness: Unveiling Sentiments and Relationships in Online Comments [1.7230140898679147]
  本稿では,様々なソーシャルメディアプラットフォームにおけるコメント間の感情的・意味的関係について検討する。 単語の埋め込みを使って文や文書のコンポーネントを分析する。 我々の分析は、オンラインコメントの相互接続性をより深く理解し、大きな相互接続脳として機能するインターネットの概念を調査する。
  論文  参考訳（メタデータ） (2023-09-15T04:57:23Z)
• 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)
• ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
  ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。 この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。 我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-05-23T16:40:07Z)
• Tweetorial Hooks: Generative AI Tools to Motivate Science on Social Media [14.353420910397702]
  本研究では,大規模言語モデル(LLM)を用いて,複雑な科学的トピックのフックを書くプロセスの足場を構築する手法を提案する。 評価の結果、システムは認知負荷を低減し、より良いフックを書くのに役立ちます。
  論文  参考訳（メタデータ） (2023-05-20T18:47:40Z)
• Identifying and Characterizing Active Citizens who Refute Misinformation in Social Media [25.986531330843434]
  ソーシャルメディアプラットフォーム(TwitterやWeiboなど)と言語(英語や中国語など)にまたがるタスクを初めて研究する。 我々は2つのカテゴリのうちの1つにマップされたWeiboユーザーの新しいデータセット(誤情報ポスターやアクティブな市民など)を開発し、公開する。 本稿では,2つのユーザカテゴリ間の言語使用の差異を広範囲に分析する。
  論文  参考訳（メタデータ） (2022-04-21T13:22:48Z)
• Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
  異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。 我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。 3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
  論文  参考訳（メタデータ） (2022-04-19T12:10:03Z)
• Misinformation Detection in Social Media Video Posts [0.4724825031148411]
  ソーシャルメディアプラットフォームによるショートフォームビデオは、ソーシャルメディアプロバイダーにとって重要な課題となっている。 本研究では,ソーシャルメディア投稿における誤情報検出手法を開発し,ビデオやテキストなどのモダリティを活用する。 われわれはTwitterから16万の動画投稿を収集し、自己教師付き学習を活用して、共同視覚およびテキストデータの表現表現を学ぶ。
  論文  参考訳（メタデータ） (2022-02-15T20:14:54Z)
• 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)
• How-to Present News on Social Media: A Causal Analysis of Editing News Headlines for Boosting User Engagement [14.829079057399838]
  我々は,メディアの現在の実践をデータ駆動アプローチを用いて分析する。 8つのメディアが共有するオリジナルニュース記事とそれに対応するつぶやきの並列コーパスを構築します。 そして、これらのメディアがオリジナルの見出しに対してツイートを編集し、そうした変化の影響について検討する。
  論文  参考訳（メタデータ） (2020-09-17T06:39:49Z)
• Echo Chambers on Social Media: A comparative analysis [64.2256216637683]
  本研究では,4つのソーシャルメディアプラットフォーム上で100万ユーザが生成した100万個のコンテンツに対して,エコーチャンバーの操作的定義を導入し,大規模な比較分析を行う。 議論の的になっているトピックについてユーザの傾きを推測し、異なる特徴を分析してインタラクションネットワークを再構築する。 我々は、Facebookのようなニュースフィードアルゴリズムを実装するプラットフォームが、エコーチャンバの出現を招きかねないという仮説を支持する。
  論文  参考訳（メタデータ） (2020-04-20T20:00:27Z)

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。