論文の概要: Twits, Toxic Tweets, and Tribal Tendencies: Trends in Politically Polarized Posts on Twitter

• arxiv url: http://arxiv.org/abs/2307.10349v2
• Date: Wed, 30 Oct 2024 18:43:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 16:58:09.295571
• Title: Twits, Toxic Tweets, and Tribal Tendencies: Trends in Politically Polarized Posts on Twitter
• Title（参考訳）: Twits, Toxic Tweets, Tribal Tendencies: Twitter上の政治偏極ポストのトレンド
• Authors: Hans W. A. Hanley, Zakir Durumeric,
• Abstract要約: 個人レベルでの毒性と,Twitter/X上でのトピックレベルに寄与するパーシスタンスと感情分極が果たす役割について検討する。 43,151人のTwitter/Xユーザーから8960万のツイートを収集した後、パーティショニングを含むいくつかのアカウントレベルの特徴が、ユーザーが有害コンテンツを投稿する頻度を予測するかを決定する。
• 参考スコア（独自算出の注目度）: 5.161088104035108
• License:
• Abstract: Social media platforms are often blamed for exacerbating political polarization and worsening public dialogue. Many claim that hyperpartisan users post pernicious content, slanted to their political views, inciting contentious and toxic conversations. However, what factors are actually associated with increased online toxicity and negative interactions? In this work, we explore the role that partisanship and affective polarization play in contributing to toxicity both on an individual user level and a topic level on Twitter/X. To do this, we train and open-source a DeBERTa-based toxicity detector with a contrastive objective that outperforms the Google Jigsaw Perspective Toxicity detector on the Civil Comments test dataset. Then, after collecting 89.6 million tweets from 43,151 Twitter/X users, we determine how several account-level characteristics, including partisanship along the US left-right political spectrum and account age, predict how often users post toxic content. Fitting a Generalized Additive Model to our data, we find that the diversity of views and the toxicity of the other accounts with which that user engages has a more marked effect on their own toxicity. Namely, toxic comments are correlated with users who engage with a wider array of political views. Performing topic analysis on the toxic content posted by these accounts using the large language model MPNet and a version of the DP-Means clustering algorithm, we find similar behavior across 5,288 individual topics, with users becoming more toxic as they engage with a wider diversity of politically charged topics.
• Abstract（参考訳）: ソーシャルメディアプラットフォームは、政治的分極の悪化と大衆の対話の悪化によってしばしば非難される。 多くの人は、過党派ユーザーが悪質なコンテンツを投稿し、政治的見解にこだわり、批判的で有害な会話を引き起こしたと主張している。 しかし、オンライン毒性の増加とネガティブな相互作用に実際に関連している要因は何か? 本研究では,Twitter/Xにおける個人ユーザレベルとトピックレベルの両方において,パーティショニングと感情分極が有害性に寄与する役割について検討する。 これを実現するために、我々は、DeBERTaベースの毒性検知器をトレーニングし、オープンソースにして、Civil Commentsテストデータセット上でGoogle Jigsaw Perspective Toxicity検出器より優れている対照的な目標を達成しました。 そして、43,151人のTwitter/Xユーザーから8960万のツイートを収集し、米国左派政治的スペクトルとアカウント年齢に沿った党派化を含むいくつかのアカウントレベルの特徴が、ユーザーが有害コンテンツを投稿する頻度を予測するかを決定する。 データに一般化付加モデルを適用すると、ビューの多様性と、ユーザが関与する他のアカウントの毒性が、自身の毒性により顕著な影響を及ぼすことが分かります。 つまり、有害なコメントは、より幅広い政治的見解に携わるユーザーと相関している。 大規模言語モデルMPNetとDP-Meansクラスタリングアルゴリズムを用いて,これらのアカウントが投稿した有害な内容に関するトピック分析を行ったところ,5,288の個別トピックに対して同様の挙動がみられた。

関連論文リスト

• Characterization of Political Polarized Users Attacked by Language Toxicity on Twitter [3.0367864044156088]
  本研究は,左,右,センター利用者の言語毒性フローを初めて調査することを目的とする。 5億件以上のTwitter投稿が調査された。 その結果、左派ユーザーは右派やセンター派よりもはるかに有毒な回答が得られた。
  論文  参考訳（メタデータ） (2024-07-17T10:49:47Z)
• Analyzing Norm Violations in Live-Stream Chat [49.120561596550395]
  本研究は,ライブストリーミングプラットフォーム上での会話における規範違反を検出することを目的とした,最初のNLP研究である。 ライブストリームチャットにおける標準違反カテゴリを定義し、Twitchから4,583のコメントを注釈付けします。 以上の結果から,適切なコンテキスト情報がモデレーション性能を35%向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-18T05:58:27Z)
• Sub-Standards and Mal-Practices: Misinformation's Role in Insular, Polarized, and Toxic Interactions on Reddit [5.161088104035108]
  信頼できないニュースサイトの記事に対するコメントは、右利きのサブレディットに掲載されることが多い。 サブレディットの毒性が高まるにつれて、ユーザーは既知の信頼できないウェブサイトからの投稿にコメントする傾向にある。
  論文  参考訳（メタデータ） (2023-01-27T01:32:22Z)
• Non-Polar Opposites: Analyzing the Relationship Between Echo Chambers and Hostile Intergroup Interactions on Reddit [66.09950457847242]
  Redditユーザーの5.97万人の活動と、13年間に投稿された421万人のコメントについて調査した。 我々は、ユーザーが互いに有害であるかどうかに基づいて、政治コミュニティ間の関係のタイプロジを作成する。
  論文  参考訳（メタデータ） (2022-11-25T22:17:07Z)
• Annotators with Attitudes: How Annotator Beliefs And Identities Bias Toxic Language Detection [75.54119209776894]
  本研究では,アノテータのアイデンティティ(誰)と信念(なぜ)が有害な言語アノテーションに与える影響について検討する。 我々は、アンチブラック言語、アフリカ系アメリカ人の英語方言、俗語という3つの特徴を持つポストを考察する。 以上の結果から,アノテータのアイデンティティと信念と毒性評価の相関が強く示唆された。
  論文  参考訳（メタデータ） (2021-11-15T18:58:20Z)
• News consumption and social media regulations policy [70.31753171707005]
  我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。 以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。 Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
  論文  参考訳（メタデータ） (2021-06-07T19:26:32Z)
• Designing Toxic Content Classification for a Diversity of Perspectives [15.466547856660803]
  我々は17,280人の参加者を対象に,有毒なコンテンツを構成するものに対するユーザの期待が,人口動態,信念,個人的経験によってどのように異なるかを調査した。 歴史的に嫌がらせのリスクがあるグループは、Reddit、Twitter、あるいは4chanから無作為なコメントを有害であると警告する傾向にある。 JigsawのパースペクティブAPIのような、現在の一大毒性分類アルゴリズムは、パーソナライズされたモデルチューニングによって、平均86%の精度で改善できることを示す。
  論文  参考訳（メタデータ） (2021-06-04T16:45:15Z)
• Right and left, partisanship predicts (asymmetric) vulnerability to misinformation [71.46564239895892]
  我々は、Twitter上でのニュース共有行動を研究することにより、パルチザン、エコーチャンバー、およびオンライン誤情報に対する脆弱性の関係を分析する。 誤情報に対する脆弱性は、左派と右派の両方のユーザーの党派の影響を強く受けている。
  論文  参考訳（メタデータ） (2020-10-04T01:36:14Z)
• Racism is a Virus: Anti-Asian Hate and Counterspeech in Social Media during the COVID-19 Crisis [51.39895377836919]
  新型コロナウイルスは、アジアのコミュニティをターゲットにしたソーシャルメディア上で人種差別や憎悪を引き起こしている。 我々は、Twitterのレンズを通して、反アジアヘイトスピーチの進化と普及について研究する。 私たちは、14ヶ月にわたる反アジア的憎悪と反音声のデータセットとして最大となるCOVID-HATEを作成します。
  論文  参考訳（メタデータ） (2020-05-25T21:58:09Z)

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。