Fugu-MT 論文翻訳(概要): Language Models Learn Metadata: Political Stance Detection Case Study

論文の概要: Language Models Learn Metadata: Political Stance Detection Case Study

arxiv url: http://arxiv.org/abs/2409.13756v1
Date: Sun, 15 Sep 2024 14:57:41 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 05:24:17.864225
Title: Language Models Learn Metadata: Political Stance Detection Case Study
Title（参考訳）: 言語モデルはメタデータを学習する:政治的スタンス検出ケーススタディ
Authors: Stanley Cao, Felix Drinkall,
Abstract要約: 本稿では,メタデータを政治的スタンス検出タスクに組み込むための最適な方法について検討する。我々の単純なベースラインは、党員情報のみを用いて、現在の最先端を超越していることが示される。
参考スコア（独自算出の注目度）: 1.2277343096128712
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Stance detection is a crucial NLP task with numerous applications in social science, from analyzing online discussions to assessing political campaigns. This paper investigates the optimal way to incorporate metadata into a political stance detection task. We demonstrate that previous methods combining metadata with language-based data for political stance detection have not fully utilized the metadata information; our simple baseline, using only party membership information, surpasses the current state-of-the-art. We then show that prepending metadata (e.g., party and policy) to political speeches performs best, outperforming all baselines, indicating that complex metadata inclusion systems may not learn the task optimally.
Abstract（参考訳）: スタンス検出は、オンライン議論の分析から政治キャンペーンの評価に至るまで、社会科学における多くの応用において重要なNLPタスクである。本稿では,メタデータを政治的スタンス検出タスクに組み込むための最適な方法について検討する。我々は,従来のメタデータと言語に基づく政治的スタンス検出データを組み合わせた手法がメタデータ情報を十分に活用していないことを実証した。次に、政治発言に対する事前メタデータ(例えば、政党や政策)は、全ての基準を上回り、複雑なメタデータ包摂システムではタスクを最適に学習できないことを示す。

関連論文リスト

The Impact of Persona-based Political Perspectives on Hateful Content Detection [4.04666623219944]
政治的に多様な言語モデルは、多くの研究者や組織にアクセスできない計算資源を必要とする。近年の研究では、ペルソナをベースとしたプロンプトが、追加の訓練なしに、モデルアウトプットに政治的多様性をもたらすことが確認されている。本稿では、下流業務における政治的事前訓練に匹敵する結果が得られるかどうかを考察する。
論文参考訳（メタデータ） (2025-02-01T09:53:17Z)
AgoraSpeech: A multi-annotated comprehensive dataset of political discourse through the lens of humans and AI [1.3060410279656598]
アゴラ・スペーチ(AgoraSpeech)は、ギリシャ国民選挙中の2023年の6つの政党による171の政治演説を精巧にキュレートした高品質なデータセットである。このデータセットには、テキスト分類、トピック識別、感情分析、名前付きエンティティ認識、分極、ポピュリズム検出の6つの自然言語処理(NLP)タスクのためのアノテーション(1段落)が含まれている。
論文参考訳（メタデータ） (2025-01-09T18:17:59Z)
LLMs for Generalizable Language-Conditioned Policy Learning under Minimal Data Requirements [50.544186914115045]
本稿では,オフライン言語によるポリシー学習のための新しいトレーニングパイプラインTEDUOを提案する。 TEDUOは、分かりやすい、ラベルなしのデータセットを運用し、いわゆるインザワイルド評価(in-the-wild evaluation)に適している。
論文参考訳（メタデータ） (2024-12-09T18:43:56Z)
Political-LLM: Large Language Models in Political Science [159.95299889946637]
大規模言語モデル(LLM)は、政治科学のタスクで広く採用されている。政治LLMは、LLMを計算政治科学に統合する包括的な理解を促進することを目的としている。
論文参考訳（メタデータ） (2024-12-09T08:47:50Z)
When is Off-Policy Evaluation (Reward Modeling) Useful in Contextual Bandits? A Data-Centric Perspective [64.73162159837956]
ログ化されたデータセットだけで仮説的ターゲットポリシーの価値を評価することは重要だが、難しい。データ中心のフレームワークであるDataCOPEを提案する。医療データセットを用いたログ化された文脈的帯域設定におけるDataCOPEの実証分析により、機械学習と人間の専門家ポリシーの両方を評価する能力が確認された。
論文参考訳（メタデータ） (2023-11-23T17:13:37Z)
Inducing Political Bias Allows Language Models Anticipate Partisan Reactions to Controversies [5.958974943807783]
本研究では,Large Language Models (LLMs) を用いたデジタル談話における政治的偏見の理解の課題に対処する。本稿では,Partisan Bias Divergence AssessmentとPartisan Class Tendency Predictionからなる包括的分析フレームワークを提案する。以上の結果から,感情的・道徳的ニュアンスを捉えたモデルの有効性が明らかとなった。
論文参考訳（メタデータ） (2023-11-16T08:57:53Z)
Machine Learning and Statistical Approaches to Measuring Similarity of Political Parties [0.4893345190925177]
政党制度をメートル法政策空間にマッピングすることは、政治科学における主要な方法論的問題の一つである。我々は,この問題を解決するために,大きなトランスフォーマーベース言語モデルを含む自然言語処理の進歩をどのように適用できるかを検討する。
論文参考訳（メタデータ） (2023-06-05T17:53:41Z)
Panning for gold: Lessons learned from the platform-agnostic automated detection of political content in textual data [48.7576911714538]
異なるプラットフォーム間で政治的コンテンツを検出するために、これらの技術がどのように使用できるかについて議論する。辞書,教師付き機械学習,ニューラルネットワークに依存する3つの検出手法のパフォーマンスを比較した。この結果から,ニューラルネットワークと機械学習に基づくモデルによって達成されるノイズの少ないデータに対して,事前処理がモデル性能に与える影響が限定された。
論文参考訳（メタデータ） (2022-07-01T15:23:23Z)
Supervised Off-Policy Ranking [145.3039527243585]
オフポリシー評価(OPE)は、他のポリシーによって生成されたデータを活用して、ターゲットポリシーを評価する。本稿では,訓練方針と既知の実績を正しくランク付けすることで,政策スコアリングモデルを学習する教師付き非政治ランキングを提案する。本手法は,上位3つのポリシーのうち,最良と最良の双方のランク相関と性能差の両面から,強力なベースラインOPE法より優れる。
論文参考訳（メタデータ） (2021-07-03T07:01:23Z)
Policy Evaluation Networks [50.53250641051648]
我々は,簡潔な埋め込みにおいて重要なポリシー情報を保持できる,スケーラブルで差別化可能なフィンガープリント機構を導入する。実験の結果、これらの3つの要素を組み合わせることで、トレーニングデータを生成するものよりも優れたポリシーを作成できることが示された。
論文参考訳（メタデータ） (2020-02-26T23:00:27Z)

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。