論文の概要: Understanding Fine-grained Distortions in Reports of Scientific Findings

• arxiv url: http://arxiv.org/abs/2402.12431v1
• Date: Mon, 19 Feb 2024 19:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 18:35:40.645117
• Title: Understanding Fine-grained Distortions in Reports of Scientific Findings
• Title（参考訳）: 科学的発見報告における微細歪みの理解
• Authors: Amelie W\"uhrl, Dustin Wright, Roman Klinger, Isabelle Augenstein
• Abstract要約: 歪んだ科学コミュニケーションは、不健康な行動の変化を招き、科学機関の信頼を低下させる可能性があるため、個人や社会に害を与える。 近年の科学コミュニケーションの増大を考えると、科学出版物からの発見が一般大衆にどのように報告されるかについて、きめ細かい理解が不可欠である。
• 参考スコア（独自算出の注目度）: 46.96512578511154
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Distorted science communication harms individuals and society as it can lead to unhealthy behavior change and decrease trust in scientific institutions. Given the rapidly increasing volume of science communication in recent years, a fine-grained understanding of how findings from scientific publications are reported to the general public, and methods to detect distortions from the original work automatically, are crucial. Prior work focused on individual aspects of distortions or worked with unpaired data. In this work, we make three foundational contributions towards addressing this problem: (1) annotating 1,600 instances of scientific findings from academic papers paired with corresponding findings as reported in news articles and tweets wrt. four characteristics: causality, certainty, generality and sensationalism; (2) establishing baselines for automatically detecting these characteristics; and (3) analyzing the prevalence of changes in these characteristics in both human-annotated and large-scale unlabeled data. Our results show that scientific findings frequently undergo subtle distortions when reported. Tweets distort findings more often than science news reports. Detecting fine-grained distortions automatically poses a challenging task. In our experiments, fine-tuned task-specific models consistently outperform few-shot LLM prompting.
• Abstract（参考訳）: 歪んだ科学コミュニケーションは、不健康な行動変化を引き起こし、科学機関への信頼を低下させる可能性があるため、個人や社会を傷つける。 近年の科学コミュニケーションの急速な増加を考えると、科学出版物の調査結果が一般大衆に報告されているかの詳細な理解や、オリジナル作品からの歪みを自動的に検出する手法が重要である。 以前の作業では、歪みの個々の側面に注目したり、非ペアデータを扱う。 本研究は,(1)学術論文から得られた1,600件の科学的知見を,ニュース記事やつぶやきのwrtで報告された結果と組み合わせて注釈する,という3つの基礎的貢献を行っている。 因果関係, 確実性, 一般性, センセーショナリズムの4つの特徴, 2) それらの特徴を自動的に検出するためのベースラインを確立すること, (3) 注釈付きおよび大規模未ラベルデータにおけるこれらの特徴の変化の頻度を分析すること。 以上の結果から,科学的発見は報告時に微妙な歪みをしばしば受けることがわかった。 ツイートは科学ニュースよりも頻繁に発見を歪めている。 きめ細かい歪みを検出することは、自動的に困難な作業を引き起こす。 実験では、微調整されたタスク固有モデルが、数発のLLMプロンプトより一貫して優れていた。

関連論文リスト

• Causal Micro-Narratives [62.47217054314046]
  テキストから因果マイクロナラティブを分類する新しい手法を提案する。 これらの物語は、対象対象の因果関係と/または効果の文レベルの説明である。
  論文  参考訳（メタデータ） (2024-10-07T17:55:10Z)
• Hypothesizing Missing Causal Variables with LLMs [55.28678224020973]
  我々は、入力が欠落変数を持つ部分因果グラフであるような新しいタスクを定式化し、出力は部分グラフを完成させるための欠落変数に関する仮説である。 原因と効果の間の媒介変数を仮説化するLLMの強い能力を示す。 また,オープンソースモデルの一部がGPT-4モデルより優れているという驚くべき結果も得られた。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Can Large Language Models Detect Misinformation in Scientific News Reporting? [1.0344642971058586]
  本稿では,科学的報告における誤情報の検出に大規模言語モデル(LLM)を用いることが可能であるかを検討する。 最初にラベル付きデータセットSciNewsを提示し、信頼できない情報源から抜粋された2.4万の科学ニュース記事を含む。 科学ニュース記事の科学的妥当性の次元を識別し、科学的誤報の自動検出にどのように組み込むかを検討する。
  論文  参考訳（メタデータ） (2024-02-22T04:07:00Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Modeling Information Change in Science Communication with Semantically Matched Paraphrases [50.67030449927206]
  SPICEDは、情報変化の度合いに注釈を付けた科学的な発見の最初のパラフレーズデータセットである。 SPICEDには、ニュース記事、ソーシャルメディアの議論、オリジナル論文の全文から抽出された6000の科学的発見ペアが含まれている。 SPICEDで訓練されたモデルは、実世界の科学的主張の事実チェックのための証拠検索において下流のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2022-10-24T07:44:38Z)
• SciClops: Detecting and Contextualizing Scientific Claims for Assisting Manual Fact-Checking [7.507186058512835]
  本稿では,オンライン科学の誤報に対処する手法であるSciClopsについて述べる。 SciClopsは、オンラインニュース記事やソーシャルメディア投稿に見られる科学的主張を処理するための3つの主要なステップを含んでいる。 複雑な科学的クレームの検証において、非専門家のファクトチェックを効果的に支援し、商業的なファクトチェックシステムより優れている。
  論文  参考訳（メタデータ） (2021-10-25T16:35:58Z)
• Causal Knowledge Extraction from Scholarly Papers in Social Sciences [1.976652238476722]
  ビジネス・マネジメントにおいて学術文書の文章を分類するモデルを開発する。 これらの論文から仮説を特定し,その原因と効果を抽出する。 我々のアプローチは、幅広い社会科学の学術文献に一般化できるかもしれない。
  論文  参考訳（メタデータ） (2020-06-16T03:37:40Z)
• Attention: to Better Stand on the Shoulders of Giants [34.5017808610466]
  本稿では,長期科学的影響予測のための注意機構を開発する。 実際の大規模引用データセットに基づいて,本手法の検証を行う。
  論文  参考訳（メタデータ） (2020-05-27T00:25:51Z)

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。