論文の概要: Causal Understanding of Why Users Share Hate Speech on Social Media
- arxiv url: http://arxiv.org/abs/2310.15772v1
- Date: Tue, 24 Oct 2023 12:17:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 19:02:58.342006
- Title: Causal Understanding of Why Users Share Hate Speech on Social Media
- Title（参考訳）: ソーシャルメディア上でヘイトスピーチを共有する理由に関する因果理解
- Authors: Dominique Geissler and Abdurahman Maarouf and Stefan Feuerriegel
- Abstract要約: 我々は、ユーザーがヘイトスピーチを再共有するユーザ属性の包括的、因果的分析を示す。
我々は新しい3段階の因果関係の枠組みを開発する。
フォロワーが減り、友達も減り、投稿も減り、ヘイトスピーチが増えた。
- 参考スコア（独自算出の注目度）: 23.128421664169654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hate speech on social media threatens the mental and physical well-being of
individuals and is further responsible for real-world violence. An important
driver behind the spread of hate speech and thus why hateful posts can go viral
are reshares, yet little is known about why users reshare hate speech. In this
paper, we present a comprehensive, causal analysis of the user attributes that
make users reshare hate speech. However, causal inference from observational
social media data is challenging, because such data likely suffer from
selection bias, and there is further confounding due to differences in the
vulnerability of users to hate speech. We develop a novel, three-step causal
framework: (1) We debias the observational social media data by applying
inverse propensity scoring. (2) We use the debiased propensity scores to model
the latent vulnerability of users to hate speech as a latent embedding. (3) We
model the causal effects of user attributes on users' probability of sharing
hate speech, while controlling for the latent vulnerability of users to hate
speech. Compared to existing baselines, a particular strength of our framework
is that it models causal effects that are non-linear, yet still explainable. We
find that users with fewer followers, fewer friends, and fewer posts share more
hate speech. Younger accounts, in return, share less hate speech. Overall,
understanding the factors that drive users to share hate speech is crucial for
detecting individuals at risk of engaging in harmful behavior and for designing
effective mitigation strategies.
- Abstract（参考訳）: ソーシャルメディア上でのヘイトスピーチは、個人の精神的および身体的幸福を脅かし、現実世界の暴力にさらに責任を負う。
ヘイトスピーチの普及の背後にある重要なドライバーであり、なぜヘイトフルな投稿がバイラルに広まるのかは、リシェアされている。
本稿では,ヘイトスピーチをユーザに再共有させるユーザ属性の包括的かつ因果的分析を行う。
しかし, ソーシャルメディアデータからの因果推論は, 選択バイアスに悩まされる可能性が高く, 発話を嫌うユーザの脆弱性の違いにより, さらなる矛盾が生じているため, 困難である。
我々は,新しい3段階の因果関係の枠組みを開発し,(1)対向性スコアを応用し,観察的ソーシャルメディアデータの偏りを解消する。
2) 音声を潜伏埋め込みとして嫌うユーザの潜伏脆弱性をモデル化するために, 偏りのある確率スコアを用いた。
3) ユーザ属性がヘイトスピーチを共有する確率に与える影響をモデル化し, ユーザのヘイトスピーチに対する潜在的な脆弱性を制御した。
既存のベースラインと比較して、我々のフレームワークの特に強みは、非線形でありながら説明可能な因果効果をモデル化することである。
フォロワーが減り、友達が減り、投稿数が減り、ヘイトスピーチが増えたことがわかりました。
その代わり、若いアカウントはヘイトスピーチを減らしている。
全体として、ヘイトスピーチの共有を促す要因を理解することは、有害な行動に関与するリスクのある個人を検知し、効果的な緩和戦略を設計するために重要である。
関連論文リスト
- Hostile Counterspeech Drives Users From Hate Subreddits [1.5035331281822]
我々は、Redditにおけるヘイトサブレディット内の新参者に対する反音声の効果を分析した。
非敵対的なカウンタースピーチは、ユーザーがこれらの憎悪のサブレディットから完全に切り離すのを防ぐのに効果がない。
単一の敵対的な反論は、将来のエンゲージメントの可能性を大幅に減らす。
論文 参考訳（メタデータ） (2024-05-28T17:12:41Z) - 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) - On the rise of fear speech in online social media [7.090807766284268]
恐怖のスピーチは、名前が示すように、ターゲットのコミュニティに対する恐怖を呼び起こそうとしている。
本稿では,Gab.comから収集した400K以上の恐怖音声と700K以上のヘイトスピーチ投稿の頻度を理解するための大規模研究について述べる。
論文 参考訳（メタデータ） (2023-03-18T02:46:49Z) - CoSyn: Detecting Implicit Hate Speech in Online Conversations Using a
Context Synergized Hyperbolic Network [52.85130555886915]
CoSynは、オンライン会話における暗黙のヘイトスピーチを検出するために、ユーザと会話のコンテキストを明示的に組み込んだ、コンテキスト中心のニューラルネットワークである。
我々は、CoSynが、1.24%から57.8%の範囲で絶対的に改善された暗黙のヘイトスピーチを検出することで、我々のベースラインを全て上回っていることを示す。
論文 参考訳（メタデータ） (2023-03-02T17:30:43Z) - Quantifying How Hateful Communities Radicalize Online Users [2.378428291297535]
我々は、他のソーシャルネットワークに伝播するヘイトスピーチの観点から、フロンティアヘイトフルなコミュニティに参加することの影響を計測する。
Redditのデータを使って、1種類のエコーチャンバーに参加する効果を評価する。
有害な言論はコミュニティに留まらないことを示す。
論文 参考訳（メタデータ） (2022-09-19T01:13:29Z) - Going Extreme: Comparative Analysis of Hate Speech in Parler and Gab [2.487445341407889]
われわれはParler上でのヘイトスピーチの大規模分析を行った。
分類精度を改善するために10K Parlerの投稿に注釈を付けた。
ヘイト・モンジャーはパラーのアクティブユーザー数の16.1%を占める。
論文 参考訳（メタデータ） (2022-01-27T19:29:17Z) - Addressing the Challenges of Cross-Lingual Hate Speech Detection [115.1352779982269]
本稿では,低リソース言語におけるヘイトスピーチ検出を支援するために,言語間移動学習に着目した。
言語間単語の埋め込みを利用して、ソース言語上でニューラルネットワークシステムをトレーニングし、ターゲット言語に適用します。
本研究では,ヘイトスピーチデータセットのラベル不均衡の問題について検討する。なぜなら,ヘイトサンプルと比較して非ヘイトサンプルの比率が高いことがモデル性能の低下につながることが多いからだ。
論文 参考訳（メタデータ） (2022-01-15T20:48:14Z) - Nipping in the Bud: Detection, Diffusion and Mitigation of Hate Speech
on Social Media [21.47216483704825]
本稿では,自動ヘイト緩和システムの構築を妨げる方法論的課題について述べる。
ソーシャルメディア上でのヘイトスピーチの拡散を制限するための一連のソリューションについて論じる。
論文 参考訳（メタデータ） (2022-01-04T03:44:46Z) - 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) - Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。
偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。
本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
論文 参考訳（メタデータ） (2020-10-20T19:37:04Z) - 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。