論文の概要: Analyzing Male Domestic Violence through Exploratory Data Analysis and Explainable Machine Learning Insights

• arxiv url: http://arxiv.org/abs/2403.15594v1
• Date: Fri, 22 Mar 2024 19:53:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 21:51:43.667496
• Title: Analyzing Male Domestic Violence through Exploratory Data Analysis and Explainable Machine Learning Insights
• Title（参考訳）: 探索的データ分析と説明可能な機械学習による男性家庭内暴力の分析
• Authors: Md Abrar Jahin, Saleh Akram Naife, Fatema Tuj Johora Lima, M. F. Mridha, Jungpil Shin,
• Abstract要約: 既存の文献は、主に家庭内暴力のシナリオにおける女性の犠牲者を強調しており、男性の犠牲者に関する研究が欠如している。 本研究はバングラデシュにおける男性家庭内暴力(MDV)の未発見領域の先駆的な探索である。 本研究は、家庭内虐待が主に女性に影響を及ぼすという一般的な考え方に挑戦し、男性被害者に対する適切な介入や支援システムの必要性を強調した。
• 参考スコア（独自算出の注目度）: 0.5825410941577593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domestic violence, which is often perceived as a gendered issue among female victims, has gained increasing attention in recent years. Despite this focus, male victims of domestic abuse remain primarily overlooked, particularly in Bangladesh. Our study represents a pioneering exploration of the underexplored realm of male domestic violence (MDV) within the Bangladeshi context, shedding light on its prevalence, patterns, and underlying factors. Existing literature predominantly emphasizes female victimization in domestic violence scenarios, leading to an absence of research on male victims. We collected data from the major cities of Bangladesh and conducted exploratory data analysis to understand the underlying dynamics. We implemented 11 traditional machine learning models with default and optimized hyperparameters, 2 deep learning, and 4 ensemble models. Despite various approaches, CatBoost has emerged as the top performer due to its native support for categorical features, efficient handling of missing values, and robust regularization techniques, achieving 76% accuracy. In contrast, other models achieved accuracy rates in the range of 58-75%. The eXplainable AI techniques, SHAP and LIME, were employed to gain insights into the decision-making of black-box machine learning models. By shedding light on this topic and identifying factors associated with domestic abuse, the study contributes to identifying groups of people vulnerable to MDV, raising awareness, and informing policies and interventions aimed at reducing MDV. Our findings challenge the prevailing notion that domestic abuse primarily affects women, thus emphasizing the need for tailored interventions and support systems for male victims. ML techniques enhance the analysis and understanding of the data, providing valuable insights for developing effective strategies to combat this pressing social issue.
• Abstract（参考訳）: 家庭内暴力は、女性被害者の男女差問題として認識されることが多いが、近年は注目を集めている。 この焦点にもかかわらず、家庭内虐待の男性の犠牲者は主に見落とされ、特にバングラデシュでは。 本研究は、バングラデシュにおける男性家庭内暴力(MDV)の未解明領域の先駆的な探索であり、その有病率、パターン、根本的要因について光を当てている。 現存する文献は、主に家庭内暴力のシナリオにおける女性の犠牲者を強調しており、男性の犠牲者に関する研究が欠如している。 バングラデシュの主要都市からのデータを収集し、基礎となるダイナミクスを理解するために探索データ分析を行った。 デフォルトと最適化されたハイパーパラメータ、2つのディープラーニング、4つのアンサンブルモデルを備えた11の従来の機械学習モデルを実装しました。 さまざまなアプローチにもかかわらず、CatBoostはカテゴリ的特徴のネイティブサポート、欠落した値の効率的な処理、堅牢な正規化技術によってトップパフォーマーとして浮上し、精度は76%に達した。 対照的に、他のモデルでは58-75%の範囲で精度が向上した。 eXplainable AI技術であるSHAPとLIMEを使用して、ブラックボックス機械学習モデルの意思決定に関する洞察を得た。 この話題に光を当て、家庭内虐待に関連する要因を特定することで、MDVに弱い人々のグループを特定し、意識を高め、MDVの削減を目的とした政策や介入を通知する。 本研究は、家庭内虐待が主に女性に影響を及ぼすという一般的な考え方に挑戦し、男性被害者に対する適切な介入や支援システムの必要性を強調した。 ML技術は、データの分析と理解を強化し、このプレッシャーの社会問題に対処するための効果的な戦略を開発するための貴重な洞察を提供する。

関連論文リスト

• The Root Shapes the Fruit: On the Persistence of Gender-Exclusive Harms in Aligned Language Models [58.130894823145205]
  我々はトランスジェンダー、ノンバイナリ、その他のジェンダー・ディバースのアイデンティティを中心とし、アライメント手順が既存のジェンダー・ディバースバイアスとどのように相互作用するかを検討する。 以上の結果から,DPO対応モデルは特に教師付き微調整に敏感であることが示唆された。 DPOとより広範なアライメントプラクティスに合わせたレコメンデーションで締めくくります。
  論文  参考訳（メタデータ） (2024-11-06T06:50:50Z)
• Revealing and Reducing Gender Biases in Vision and Language Assistants (VLAs) [82.57490175399693]
  画像・テキスト・ビジョン言語アシスタント(VLA)22種における性別バイアスの検討 以上の結果から,VLAは実世界の作業不均衡など,データ中の人間のバイアスを再現する可能性が示唆された。 これらのモデルにおける性別バイアスを排除するため、微調整に基づくデバイアス法は、下流タスクにおけるデバイアスとパフォーマンスの最良のトレードオフを実現する。
  論文  参考訳（メタデータ） (2024-10-25T05:59:44Z)
• Evaluating Gender, Racial, and Age Biases in Large Language Models: A Comparative Analysis of Occupational and Crime Scenarios [0.0]
  本稿では,Large Language Models(LLMs)におけるバイアスについて検討する。 LLMは、様々な職業において、男性よりも頻繁に女性キャラクターを描いていることが判明した。 性別と人種の偏見を減らそうとする努力は、しばしば1つのサブクラスを超越する結果をもたらす。
  論文  参考訳（メタデータ） (2024-09-22T20:21:20Z)
• GenderCARE: A Comprehensive Framework for Assessing and Reducing Gender Bias in Large Language Models [73.23743278545321]
  大規模言語モデル(LLM)は、自然言語生成において顕著な能力を示してきたが、社会的バイアスを増大させることも観察されている。 GenderCAREは、革新的な基準、バイアス評価、リダクションテクニック、評価メトリクスを含む包括的なフレームワークである。
  論文  参考訳（メタデータ） (2024-08-22T15:35:46Z)
• Identifying Risk Patterns in Brazilian Police Reports Preceding Femicides: A Long Short Term Memory (LSTM) Based Analysis [0.0]
  フェミサイド(Femicide)は、親密なパートナーや家族によってしばしば強姦される女性の犠牲者を殺害することであり、また性による暴力とも関係している。 本研究では,殺人前のブラジル警察報告における行動パターンの同定にLSTM(Long Short Term Memory)を用いた。 最初の目的は、これらの報告の内容を、被害者が殺害されるリスクの低いか高いかを示すものとして分類し、精度を66%にすることであった。 第2のアプローチでは、パターン化されたイベントのシーケンス内で、被害者が次に経験する可能性のあるアクションを予測するモデルを開発した。
  論文  参考訳（メタデータ） (2024-01-04T23:05:39Z)
• Deep Generative Views to Mitigate Gender Classification Bias Across Gender-Race Groups [0.8594140167290097]
  本稿では,性別・人種グループ間の偏見を低減し,分類精度を向上させるためのバイアス緩和戦略を提案する。 我々は、ジェンダー分類バイアスを軽減するために、生成的視点、構造化学習、そして明らかな学習の力を利用する。
  論文  参考訳（メタデータ） (2022-08-17T16:23:35Z)
• Towards Understanding Gender-Seniority Compound Bias in Natural Language Generation [64.65911758042914]
  本研究では,事前学習したニューラルジェネレーションモデルにおける性別バイアスの程度に,高齢者がどのような影響を及ぼすかを検討する。 以上の結果から, GPT-2は, 両領域において, 女性を中年, 男性を中年として考えることにより, 偏見を増幅することが示された。 以上の結果から, GPT-2を用いて構築したNLPアプリケーションは, プロの能力において女性に害を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-19T20:05:02Z)
• Improving Gender Fairness of Pre-Trained Language Models without Catastrophic Forgetting [88.83117372793737]
  元のトレーニングデータに情報を埋め込むことは、モデルの下流のパフォーマンスを大きなマージンで損なう可能性がある。 本稿では,GEnder Equality Prompt(GEEP)を提案する。
  論文  参考訳（メタデータ） (2021-10-11T15:52:16Z)
• Towards Understanding and Mitigating Social Biases in Language Models [107.82654101403264]
  大規模事前訓練言語モデル(LM)は、望ましくない表現バイアスを示すのに潜在的に危険である。 テキスト生成における社会的バイアスを軽減するためのステップを提案する。 我々の経験的結果と人的評価は、重要な文脈情報を保持しながらバイアスを緩和する効果を示す。
  論文  参考訳（メタデータ） (2021-06-24T17:52:43Z)
• Questioning causality on sex, gender and COVID-19, and identifying bias in large-scale data-driven analyses: the Bias Priority Recommendations and Bias Catalog for Pandemics [0.0]
  統計的意義の欠如とバイアスの存在の可能性を考えると、利用可能なデータに基づいて因果的主張を行うという課題を強調します。 我々は、百科事典のような参照ガイドであるBias Catalog for Pandemicsを編纂し、定義を提供し、偏見の現実的な例を強調する。 目的は、因果性、説明可能性、バイアス、テクニックを後者に考慮し、異なる影響と差別を予想し、避けることである。
  論文  参考訳（メタデータ） (2021-04-29T17:07:06Z)
• Learning Explainable Interventions to Mitigate HIV Transmission in Sex Workers Across Five States in India [0.9449650062296824]
  この研究は、構造学習、差別的モデリング、および5つの異なるインドの州にまたがる介入を設計する草の根レベルの専門知識を組み合わせたものである。 コンドームの使用を最大化できる要因を定量化するために, ブートストラップ付き, アンサンブル付き平均ベイズネットワーク構造が学習された。 次に,コンドーム利用行動を予測するために,XgBoostとランダム林を用いて識別モデルを構築した。
  論文  参考訳（メタデータ） (2020-11-30T08:35:16Z)

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。