論文の概要: Categorizing Social Media Screenshots for Identifying Author Misattribution
- arxiv url: http://arxiv.org/abs/2410.06443v1
- Date: Wed, 09 Oct 2024 01:06:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 13:33:09.396654
- Title: Categorizing Social Media Screenshots for Identifying Author Misattribution
- Title（参考訳）: 著者のミストリビューションを識別するためのソーシャルメディアスクリーンショットの分類
- Authors: Ashlyn M. Farris, Michael L. Nelson,
- Abstract要約: 本稿では、誤情報と偽情報の違いと、著者の誤帰をソーシャルメディアプラットフォームに広める際のスクリーンショットの使用方法について論じる。
スクリーンショットのオリジナルの投稿を見つけて、スクリーンショットが正しく属性付けられているかどうかを判断できることが重要です。
- 参考スコア（独自算出の注目度）: 0.18416014644193066
- License:
- Abstract: Mis/disinformation is a common and dangerous occurrence on social media. Misattribution is a form of mis/disinformation that deals with a false claim of authorship, which means a user is claiming someone said (posted) something they never did. We discuss the difference between misinformation and disinformation and how screenshots are used to spread author misattribution on social media platforms. It is important to be able to find the original post of a screenshot to determine if the screenshot is being correctly attributed. To do this we have built several tools to aid in automating this search process. The first is a Python script that aims to categorize Twitter posts based on their structure, extract the metadata from a screenshot, and use this data to group all the posts within a screenshot together. We tested this process on 75 Twitter posts containing screenshots collected by hand to determine how well the script extracted metadata and grouped the individual posts, F1 = 0.80. The second is a series of scrapers being used to collect a dataset that can train and test a model to differentiate between various social media platforms. We collected 16,620 screenshots have been collected from Facebook, Instagram, Truth Social, and Twitter. Screenshots were taken by the scrapers of the web version and mobile version of each platform in both light and dark mode.
- Abstract（参考訳）: ミス/偽情報(Mis/disinformation)は、ソーシャルメディアでよく見られる、危険な出来事である。
ミストリビューション(英: missattribution)とは、著者の虚偽の主張を扱う誤報/偽情報の一種で、ユーザーは、自分がしたことのないことを言った(投稿した)と主張する。
本稿では、誤情報と偽情報の違いと、著者の誤帰をソーシャルメディアプラットフォームに広める際のスクリーンショットの使用方法について論じる。
スクリーンショットのオリジナルの投稿を見つけて、スクリーンショットが正しく属性付けられているかどうかを判断できることが重要です。
そのために私たちは,この検索プロセスの自動化を支援するツールをいくつか開発しました。
ひとつはPythonスクリプトで、その構造に基づいてTwitterの投稿を分類し、スクリーンショットからメタデータを抽出し、このデータを使ってスクリーンショット内のすべての投稿をまとめる。
このプロセスを手作業で収集したスクリーンショットを含む75のTwitter投稿でテストし、スクリプトがメタデータをどの程度うまく抽出し、個々の投稿をグループ化したか、F1 = 0.80。
2つ目は、さまざまなソーシャルメディアプラットフォーム間の差別化のためにモデルをトレーニングし、テストできるデータセット収集に使用される一連のスクレイパーである。
Facebook、Instagram、Truth Social、Twitterから16,620のスクリーンショットを収集した。
スクリーンショットは、Webバージョンのスクレイパーと、各プラットフォームのモバイルバージョンによって、ライトモードとダークモードの両方で撮影された。
関連論文リスト
- "Image, Tell me your story!" Predicting the original meta-context of visual misinformation [70.52796410062876]
オープンウェブから検索した画像の内容とテキスト証拠を用いて,画像を元のメタコンテキストにグラウンドする自動システムを導入する。
実験では,検索と推論におけるいくつかのオープンな課題を強調しながら,有望な結果を示した。
論文 参考訳（メタデータ） (2024-08-19T12:21:34Z) - NarrationDep: Narratives on Social Media For Automatic Depression Detection [24.11420537250414]
我々は、抑うつに関連する物語を検出することに焦点を当てた、textttNarrationDepと呼ばれる新しいモデルを開発した。
textttNarrationDepは、個々のツイート表現とユーザのツイートのクラスタを共同でモデル化するディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2024-07-24T11:24:25Z) - Alt-Text with Context: Improving Accessibility for Images on Twitter [30.28576644504692]
本稿では,ソーシャルメディア,特にTwitterで共有された画像のアルトテキスト記述を生成するアプローチを提案する。
Twitterに投稿された画像には、便利なコンテキストを提供するユーザ記述のテキストが添付されることが多い。
従来の作業では, BLEU@4で2倍以上に向上し, ツイートテキストと視覚情報の両方の条件付けのアプローチが著しく優れていた。
論文 参考訳（メタデータ） (2023-05-24T06:35:26Z) - ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。
この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。
我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2023-05-23T16:40:07Z) - Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。
また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。
我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
論文 参考訳（メタデータ） (2023-03-14T16:11:47Z) - Machine Learning-based Automatic Annotation and Detection of COVID-19
Fake News [8.020736472947581]
新型コロナウイルス(COVID-19)は世界のあらゆる地域に影響を与えるが、感染の誤報はウイルスよりも速く移動した。
既存の作業は、拡散の触媒として働くボットの存在を無視する。
そこで本稿では,Twitterデータセット上で事実確認文をラベル付けする手法を提案する。
論文 参考訳（メタデータ） (2022-09-07T13:55:59Z) - Twitter-COMMs: Detecting Climate, COVID, and Military Multimodal
Misinformation [83.2079454464572]
本稿では,DARPAセマンティック・フォレスティクス(SemaFor)プログラムにおける画像テキスト不整合検出へのアプローチについて述べる。
Twitter-COMMsは大規模マルチモーダルデータセットで、884万のツイートが気候変動、新型コロナウイルス、軍用車両のトピックに関連する。
我々は、最先端のCLIPモデルに基づいて、自動生成されたランダムとハードのネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガ
論文 参考訳（メタデータ） (2021-12-16T03:37:20Z) - Exploiting BERT For Multimodal Target SentimentClassification Through
Input Space Translation [75.82110684355979]
オブジェクト認識変換器を用いて入力空間内の画像を変換する2ストリームモデルを提案する。
次に、翻訳を利用して、言語モデルに多モーダル情報を提供する補助文を構築する。
2つのマルチモーダルTwitterデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-08-03T18:02:38Z) - NewsCLIPpings: Automatic Generation of Out-of-Context Multimodal Media [93.51739200834837]
画像とテキストの両方を操作できないが一致しないデータセットを提案する。
本稿では,字幕に適した画像の自動検索手法をいくつか紹介する。
当社の大規模自動生成NewsCLIPpingsデータセットは、両方のモダリティを共同分析するモデルを必要とします。
論文 参考訳（メタデータ） (2021-04-13T01:53:26Z) - AMUSED: An Annotation Framework of Multi-modal Social Media Data [0.0]
このフレームワークは、ソーシャルメディアデータの収集と注釈付けの問題を緩和するために設計されている。
AMUSEDは複数のアプリケーションドメインに適用可能で、ユースケースとして、新型コロナウイルスの誤情報収集のためのフレームワークを実装した。
論文 参考訳（メタデータ） (2020-10-01T15:50:41Z) - Sentiment Analysis on Social Media Content [0.0]
本研究の目的は,Twitterから収集した実データの感情分析を行うモデルを提案することである。
Twitterのデータは非常に非構造化されており、分析が困難である。
提案手法は,教師付き機械学習アルゴリズムと教師なし機械学習アルゴリズムの併用により,この分野の先行研究とは異なる。
論文 参考訳（メタデータ） (2020-07-04T17:03:30Z)
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。