論文の概要: Reap the Wild Wind: Detecting Media Storms in Large-Scale News Corpora
- arxiv url: http://arxiv.org/abs/2404.09299v1
- Date: Sun, 14 Apr 2024 16:47:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 14:38:22.290576
- Title: Reap the Wild Wind: Detecting Media Storms in Large-Scale News Corpora
- Title（参考訳）: 大規模ニュースコーパスでメディアの嵐を検知する「ワイルド・ウィンド」
- Authors: Dror K. Markus, Effi Levi, Tamir Sheafer, Shaul R. Shenhav,
- Abstract要約: 本稿では,大規模ニュース記事のコーパスにおいて,メディア・ストームを識別する反復的ヒューマン・イン・ザ・ループ手法を提案する。
本手法の適用性は,まず,特定の時間枠内にメディアストームの最初のリストを補足すること,および新しい時間帯におけるメディアストームを検出することの2つのシナリオで実証する。
- 参考スコア（独自算出の注目度）: 2.249916681499244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Media Storms, dramatic outbursts of attention to a story, are central components of media dynamics and the attention landscape. Despite their significance, there has been little systematic and empirical research on this concept due to issues of measurement and operationalization. We introduce an iterative human-in-the-loop method to identify media storms in a large-scale corpus of news articles. The text is first transformed into signals of dispersion based on several textual characteristics. In each iteration, we apply unsupervised anomaly detection to these signals; each anomaly is then validated by an expert to confirm the presence of a storm, and those results are then used to tune the anomaly detection in the next iteration. We demonstrate the applicability of this method in two scenarios: first, supplementing an initial list of media storms within a specific time frame; and second, detecting media storms in new time periods. We make available a media storm dataset compiled using both scenarios. Both the method and dataset offer the basis for comprehensive empirical research into the concept of media storms, including characterizing them and predicting their outbursts and durations, in mainstream media or social media platforms.
- Abstract（参考訳）: メディア・ストーム(メディア・ストーム)は、メディア・ダイナミクスと注目の風景の中心的な構成要素である。
その重要性にもかかわらず、測定と運用の問題のため、この概念に関する体系的で実証的な研究はほとんど行われていない。
本稿では,大規模ニュース記事のコーパスにおいて,メディア・ストームを識別する反復的ヒューマン・イン・ザ・ループ手法を提案する。
テキストは、まず、複数のテキスト特性に基づいて分散信号に変換される。
各イテレーションにおいて、教師なし異常検出をこれらの信号に適用し、各異常を専門家によって検証し、嵐の存在を確認し、それらの結果を用いて次のイテレーションで異常検出をチューニングする。
本手法の適用性は,まず,特定の時間枠内にメディアストームの最初のリストを補足すること,および新しい時間帯におけるメディアストームを検出することの2つのシナリオで実証する。
両方のシナリオでコンパイルされたメディアストームデータセットを利用可能にしています。
この方法とデータセットはいずれも、主流メディアやソーシャルメディアプラットフォームにおいて、メディアストームの概念を特徴づけたり、そのアウトバーストや期間を予測することを含む、包括的な実証研究の基盤を提供する。
関連論文リスト
- When it Rains, it Pours: Modeling Media Storms and the News Ecosystem [26.645261253849117]
私たちは2年近くにわたって、メディア嵐の包括的コーパスを作りました。
嵐の進化と地域分布に関する主張を検証する。
我々は、以前仮説化された嵐の影響パターンがメディアの報道やメディア間のアジェンダ設定に与える影響を実証的に支援する。
論文 参考訳（メタデータ） (2023-12-04T18:49:06Z) - DeCrisisMB: Debiased Semi-Supervised Learning for Crisis Tweet
Classification via Memory Bank [52.20298962359658]
危機イベントにおいて、人々は、状況、警告、アドバイス、サポートに関する情報を広めるために、Twitterのようなソーシャルメディアプラットフォームを使うことが多い。
完全に教師されたアプローチでは、大量のデータを注釈付けする必要があります。
半教師付きモデルは偏りがあり、特定のクラスでは適度に機能し、他のクラスでは極めて貧弱である。
本稿では,メモリバンクを用いて,各学習クラスから生成された擬似ラベルを等しくサンプリングする,単純かつ効果的なデバイアス処理手法であるDeCrisisMBを提案する。
論文 参考訳（メタデータ） (2023-10-23T05:25:51Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。
MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。
MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2023-07-06T09:12:13Z) - Fighting Malicious Media Data: A Survey on Tampering Detection and
Deepfake Detection [115.83992775004043]
近年のディープラーニング、特に深層生成モデルの発展により、知覚的に説得力のある画像や動画を低コストで制作するための扉が開かれた。
本稿では,現在のメディアタンパリング検出手法を概観し,今後の研究の課題と動向について論じる。
論文 参考訳（メタデータ） (2022-12-12T02:54:08Z) - GREENER: Graph Neural Networks for News Media Profiling [24.675574340841163]
本稿では,ウェブ上でのニュースメディアのプロファイリングの問題について,その実態と偏見について考察する。
私たちの主な焦点は、オーディエンスの重複に基づいて、メディア間の類似性をモデル化することにあります。
予測精度は2つのタスクに対して2.5-27マクロF1ポイント向上した。
論文 参考訳（メタデータ） (2022-11-10T12:46:29Z) - Context Recovery and Knowledge Retrieval: A Novel Two-Stream Framework
for Video Anomaly Detection [48.05512963355003]
本稿では,文脈回復と知識検索に基づく2ストリームフレームワークを提案する。
文脈回復ストリームに対しては,動き情報を完全に活用して将来のフレームを予測するU-Netを提案する。
知識検索ストリームに対して,学習可能な局所性に敏感なハッシュを提案する。
正規性に関する知識をハッシュテーブルにエンコードして格納し、テストイベントと知識表現の間の距離を用いて異常の確率を明らかにする。
論文 参考訳（メタデータ） (2022-09-07T03:12:02Z) - Extracting Large Scale Spatio-Temporal Descriptions from Social Media [1.14219428942199]
大規模イベントの追跡能力は、それらを理解し、適切なタイムリーな方法で反応を調整するために不可欠である。
我々は、ソーシャルメディアのような半構造化データソースを取り込み、このようなデータを拡張できるという仮説を模索している。
ソーシャルメディアは、直接の目撃者や専門家の意見などの貴重な知識を拡散しうるが、その騒々しい性質は、それらを管理しやすくするものではない。
論文 参考訳（メタデータ） (2022-06-27T13:16:43Z) - MEWS: Real-time Social Media Manipulation Detection and Analysis [5.1568081122003395]
MEWSは、操作されたメディアアイテムを識別し、特定のアイテムが個々のソーシャルメディアプラットフォーム、あるいは複数のプラットフォーム上でトレンドになり始めた時期を特定する。
新規な操作の出現と、操作されたコンテンツの急速な拡散は、偽情報キャンペーンを示唆している。
論文 参考訳（メタデータ） (2022-05-11T21:44:26Z) - Audio-visual Representation Learning for Anomaly Events Detection in
Crowds [119.72951028190586]
本稿では,音声と視覚信号の同時モデリングにおけるマルチモーダル学習の活用を試みる。
監視シーンにおける合成音声視覚データセットであるSHADEデータセットについて実験を行った。
音声信号の導入は,異常事象の検出性能を効果的に向上し,他の最先端手法よりも優れることがわかった。
論文 参考訳（メタデータ） (2021-10-28T02:42:48Z) - MBIC -- A Media Bias Annotation Dataset Including Annotator
Characteristics [0.0]
メディア偏見、あるいはスライスされたニュース報道は、出来事に対する大衆の認識に重大な影響を与える可能性がある。
本稿では,自己開発アノテーションプラットフォームを用いて,そのようなデータをクラウドソーシングするための行列ベースの方法論を提案する。
メディアバイアスの事例を表す1,700のステートメントの最初のサンプルであるMBICも提示する。
論文 参考訳（メタデータ） (2021-05-20T15:05:17Z)
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。