論文の概要: Transforming Social Science Research with Transfer Learning: Social Science Survey Data Integration with AI

• arxiv url: http://arxiv.org/abs/2501.06577v1
• Date: Sat, 11 Jan 2025 16:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:25:40.651509
• Title: Transforming Social Science Research with Transfer Learning: Social Science Survey Data Integration with AI
• Title（参考訳）: トランスファーラーニングによる社会科学研究の変容:AIによるデータ統合に関する社会科学調査
• Authors: Ali Amini,
• Abstract要約: 全国的に代表される大規模な調査は、アメリカ政治学界を深く形作っているが、関連性はあるものの異なる領域を代表している。 本研究は,これらのギャップに対処するためのトランスファーラーニング(TL)の新たな応用について紹介する。 協同選挙研究データセットで事前訓練されたモデルは、米国選挙研究データセットでの使用のために微調整されている。
• 参考スコア（独自算出の注目度）: 0.4944564023471818
• License:
• Abstract: Large-N nationally representative surveys, which have profoundly shaped American politics scholarship, represent related but distinct domains -a key condition for transfer learning applications. These surveys are related through their shared demographic, party identification, and ideological variables, yet differ in that individual surveys often lack specific policy preference questions that researchers require. Our study introduces a novel application of transfer learning (TL) to address these gaps, marking the first systematic use of TL paradigms in the context of survey data. Specifically, models pre-trained on the Cooperative Election Study (CES) dataset are fine-tuned for use in the American National Election Studies (ANES) dataset to predict policy questions based on demographic variables. Even with a naive architecture, our transfer learning approach achieves approximately 92 percentage accuracy in predicting missing variables across surveys, demonstrating the robust potential of this method. Beyond this specific application, our paper argues that transfer learning is a promising framework for maximizing the utility of existing survey data. We contend that artificial intelligence, particularly transfer learning, opens new frontiers in social science methodology by enabling systematic knowledge transfer between well-administered surveys that share common variables but differ in their outcomes of interest.
• Abstract（参考訳）: アメリカの政治奨学金が大きく形成され、全国的に代表される大規模調査は、関連するが異なるドメインを代表している。 これらの調査は、共有された人口統計、政党の識別、イデオロギー変数を通じて関連づけられるが、個々の調査は研究者が要求する特定の政策優先の質問を欠いている点が異なる。 本研究は,これらのギャップに対処するトランスファーラーニング(TL)を新たに導入し,調査データの文脈におけるTLパラダイムの体系的利用を図ったものである。 特に、協力選挙研究(CES)データセットで事前訓練されたモデルは、人口統計変数に基づいた政策問題を予測するために、米国選挙研究(ANES)データセットで使用するために微調整されている。 簡単なアーキテクチャであっても,本手法のロバストなポテンシャルを実証し,各調査において欠落変数の予測に約92パーセントの精度を達成している。 この具体的な応用以外にも,既存の調査データの有用性を最大化する上で,トランスファーラーニングは有望なフレームワークである,と論文は主張する。 我々は、人工知能、特に伝達学習が、共通の変数を共有するが興味のある結果が異なる、よく管理された調査間で体系的な知識伝達を可能にすることによって、社会科学方法論の新たなフロンティアを開くことを主張する。

関連論文リスト

• Transfer Learning for Spatial Autoregressive Models with Application to U.S. Presidential Election Prediction [10.825562180226424]
  本稿では, tranSAR と呼ばれる SAR モデル内に新しいトランスファー学習フレームワークを提案する。 我々のフレームワークは、類似した情報源データからの情報を活用することにより、予測と予測を強化する。 本手法は, 従来の手法よりも優れており, アメリカ合衆国大統領選挙の結果を予測する上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-20T03:14:15Z)
• Supervised Algorithmic Fairness in Distribution Shifts: A Survey [17.826312801085052]
  現実世界のアプリケーションでは、機械学習モデルは特定のデータセットでトレーニングされることが多いが、データ分散がシフトする可能性のある環境にデプロイされる。 この変化は、人種や性別などのセンシティブな属性によって特徴づけられる特定のグループに不公平な予測をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-02-02T11:26:18Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Crowdsourced Adaptive Surveys [0.0]
  本稿では,クラウドソーシング型適応調査手法(CSAS)を紹介する。 本手法は,参加者が提供したオープンエンドテキストを調査項目に変換し,マルチアームバンディットアルゴリズムを適用し,調査においてどの質問を優先すべきかを判断する。 CSASが研究者と調査参加者の間に概念的ギャップを埋める可能性を強調した。
  論文  参考訳（メタデータ） (2024-01-16T04:05:25Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• Predicting Survey Response with Quotation-based Modeling: A Case Study on Favorability towards the United States [0.0]
  そこで我々は,機械学習を用いて探索応答を推定する先駆的手法を提案する。 我々は、さまざまな国籍の個人から引用された膨大なコーパスを活用して、彼らの好意のレベルを抽出する。 自然言語処理技術と機械学習アルゴリズムを組み合わせて,質問応答の予測モデルを構築した。
  論文  参考訳（メタデータ） (2023-05-23T14:11:01Z)
• Stable Bias: Analyzing Societal Representations in Diffusion Models [72.27121528451528]
  本稿では,テキスト・ツー・イメージ(TTI)システムにおける社会的バイアスを探索する新しい手法を提案する。 我々のアプローチは、プロンプト内の性別や民族のマーカーを列挙して生成された画像の変動を特徴づけることに依存している。 我々はこの手法を利用して3つのTTIシステムによって生成された画像を分析し、そのアウトプットが米国の労働人口層と相関しているのに対して、彼らは常に異なる範囲において、限界化されたアイデンティティを低く表現している。
  論文  参考訳（メタデータ） (2023-03-20T19:32:49Z)
• Graph-Based Methods for Discrete Choice [27.874979682322376]
  グラフ学習を使って、ネットワーク化されたコンテキストにおける選択を研究します。 ソーシャルネットワーク構造を取り入れることで、標準的な計量的選択モデルの予測を改善することができることを示す。
  論文  参考訳（メタデータ） (2022-05-23T14:51:23Z)
• Two-Faced Humans on Twitter and Facebook: Harvesting Social Multimedia for Human Personality Profiling [74.83957286553924]
  我々は、"PERS"と呼ばれる新しい多視点融合フレームワークを適用して、マイアーズ・ブリッグス・パーソナリティ・タイプインジケータを推定する。 実験の結果,多視点データからパーソナリティ・プロファイリングを学習する能力は,多様なソーシャル・マルチメディア・ソースからやってくるデータを効率的に活用できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-20T10:48:49Z)
• Domain Generalization: A Survey [146.68420112164577]
  ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。 初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
  論文  参考訳（メタデータ） (2021-03-03T16:12:22Z)

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。