論文の概要: Characterizing Network Structure of Anti-Trans Actors on TikTok
- arxiv url: http://arxiv.org/abs/2501.16507v1
- Date: Mon, 27 Jan 2025 21:14:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:40:32.506729
- Title: Characterizing Network Structure of Anti-Trans Actors on TikTok
- Title（参考訳）: TikTok上のアンチトランスアクターのネットワーク構造
- Authors: Maxyn Leitner, Rebecca Dorn, Fred Morstatter, Kristina Lerman,
- Abstract要約: 我々は、TikTok上のコンテンツ分類を可能にするために、トランスレーショナルな感情の分類を開発する。
本稿では,プロトランスコミュニティとアンチトランスコミュニティの応答ネットワーク構造を解析する。
- 参考スコア（独自算出の注目度）: 8.193721412145031
- License:
- Abstract: The recent proliferation of short form video social media sites such as TikTok has been effectively utilized for increased visibility, communication, and community connection amongst trans/nonbinary creators online. However, these same platforms have also been exploited by right-wing actors targeting trans/nonbinary people, enabling such anti-trans actors to efficiently spread hate speech and propaganda. Given these divergent groups, what are the differences in network structure between anti-trans and pro-trans communities on TikTok, and to what extent do they amplify the effects of anti-trans content? In this paper, we collect a sample of TikTok videos containing pro and anti-trans content, and develop a taxonomy of trans related sentiment to enable the classification of content on TikTok, and ultimately analyze the reply network structures of pro-trans and anti-trans communities. In order to accomplish this, we worked with hired expert data annotators from the trans/nonbinary community in order to generate a sample of highly accurately labeled data. From this subset, we utilized a novel classification pipeline leveraging Retrieval-Augmented Generation (RAG) with annotated examples and taxonomy definitions to classify content into pro-trans, anti-trans, or neutral categories. We find that incorporating our taxonomy and its logics into our classification engine results in improved ability to differentiate trans related content, and that Results from network analysis indicate many interactions between posters of pro-trans and anti-trans content exist, further demonstrating targeting of trans individuals, and demonstrating the need for better content moderation tools
- Abstract（参考訳）: 近年のTikTokのような短いビデオソーシャルメディアサイトの普及は、オンラインのトランス/ノンバイナリクリエーターの間での可視性、コミュニケーション、コミュニティ接続の増大に効果的に活用されている。
しかし、これらのプラットフォームはトランス/ノンバイナリの人々をターゲットにした右翼のアクターによっても利用されており、このような反トランスのアクターはヘイトスピーチやプロパガンダを効率的に広めることができる。
これらのばらつきを考慮に入れれば、TikTokにおけるアンチトランスとプロトランスのネットワーク構造の違いはどのようなものか。
本稿では,プロトランスとアンチトランスのコンテンツを含むTikTokビデオのサンプルを収集し,TikTokのコンテンツ分類を可能にするトランス関連感情の分類を開発し,最終的にプロトランスとアンチトランスのコミュニティの応答ネットワーク構造を解析する。
これを実現するため、私たちはトランス/ノンバイナリのコミュニティから専門家データアノテータを雇い、高度に正確なラベル付けされたデータのサンプルを作成しました。
このサブセットから,注釈付き例と分類定義を付加したRAG(Retrieval-Augmented Generation)を利用した新しい分類パイプラインを用いて,コンテンツをプロトランス,アンチトランス,中立のカテゴリに分類した。
分類エンジンに分類学とその論理を組み込むことにより、翻訳関連コンテンツを識別する能力が向上し、ネットワーク分析の結果、翻訳者と反翻訳コンテンツのポスター間の相互作用が多数存在することが示され、さらにトランス個人をターゲットとして、より良いコンテンツモデレーションツールの必要性が示された。
関連論文リスト
- Semantics Alignment via Split Learning for Resilient Multi-User Semantic
Communication [56.54422521327698]
最近の意味コミュニケーションの研究は、ディープジョイントソースやチャネルコーディング(DeepJSCC)のようなニューラルネットワーク(NN)ベースのトランシーバに依存している。
従来のトランシーバとは異なり、これらのニューラルトランシーバは実際のソースデータとチャネルを使用してトレーニング可能であり、セマンティクスを抽出し通信することができる。
本稿では,分割学習(SL)と部分的NN微調整技術を活用する分散学習ベースソリューションを提案する。
論文 参考訳（メタデータ） (2023-10-13T20:29:55Z) - Adaptive Nonlinear Latent Transformation for Conditional Face Editing [40.32385363670918]
本稿では,AdaTrans と呼ばれる不整合および条件付き顔編集のための適応型非線形潜時変換を提案する。
AdaTransは、操作プロセスをいくつかの細かいステップに分割する。つまり、各ステップの方向と大きさは、顔属性と潜伏符号の両方で条件付けられる。
AdaTransは、切り離し、非バイナリ属性による柔軟性、高忠実さの利点により、制御可能な顔編集を可能にする。
論文 参考訳（メタデータ） (2023-07-15T12:36:50Z) - TransFool: An Adversarial Attack against Neural Machine Translation
Models [49.50163349643615]
敵攻撃に対するニューラルネットワーク翻訳(NMT)モデルの脆弱性を調査し,TransFoolと呼ばれる新たな攻撃アルゴリズムを提案する。
クリーンなサンプルと高いレベルのセマンティックな類似性を保ったソースコード言語で、流動的な逆の例を生成する。
自動的および人的評価に基づいて、TransFoolは、既存の攻撃と比較して成功率、意味的類似性、流布率の改善につながる。
論文 参考訳（メタデータ） (2023-02-02T08:35:34Z) - TransRank: Self-supervised Video Representation Learning via
Ranking-based Transformation Recognition [73.7566539108205]
本稿では,RecogTransが意味的関連タスクと時間的関連下流タスクの両方において大きな可能性を観察する。
ハードラベルの分類に基づいて、既存のRecogTransアプローチは事前トレーニングにおいてノイズの多い監視信号に悩まされる。
この問題を緩和するために、ランク付け式における変換を認識する統一的なフレームワークであるTransRankを開発した。
論文 参考訳（メタデータ） (2022-05-04T12:39:25Z) - High-Performance Transformer Tracking [74.07751002861802]
本稿では,シームズ様特徴抽出バックボーンをベースとしたTransformer Tracking(TransT)手法,設計した注意に基づく融合機構,分類と回帰ヘッドを提案する。
実験の結果,TransT法とTransT-M法は7つの一般的なデータセットに対して有望な結果が得られることがわかった。
論文 参考訳（メタデータ） (2022-03-25T09:33:29Z) - Sexism Identification in Tweets and Gabs using Deep Neural Networks [6.531659195805749]
本稿では,さまざまなディープニューラルネットワークモデルアーキテクチャを用いて,テキストにおける性差別の分類について検討する。
IberLEF 2021 の Social neTworks (EXIST) タスクにおける sexism Identification から、つぶやきとギャブのデータセットに二項性差別の分類を行う。
これらのモデルは、BERTとマルチフィルタCNNモデルを使用した最高のパフォーマンスで、競合のモデルと比較すると、比較的パフォーマンスがよい。
論文 参考訳（メタデータ） (2021-11-05T16:57:08Z) - Modelling Adversarial Noise for Adversarial Defense [96.56200586800219]
敵の防御は、通常、敵の音を除去したり、敵の頑強な目標モデルを訓練するために、敵の例を活用することに焦点を当てる。
逆データと自然データの関係は、逆データからクリーンデータを推測し、最終的な正しい予測を得るのに役立ちます。
本研究では, ラベル空間の遷移関係を学習するために, 逆方向の雑音をモデル化し, 逆方向の精度を向上させることを目的とした。
論文 参考訳（メタデータ） (2021-09-21T01:13:26Z) - Visual Boundary Knowledge Translation for Foreground Segmentation [57.32522585756404]
視覚境界知識を明示的に考慮したモデルの構築を試みており、未確認カテゴリのセグメンテーションにおけるトレーニングの労力を減らそうとしている。
数十のラベル付きサンプルをガイダンスとして使うだけで、Trans-Netは完全な教師付きメソッドと同等のクローズな結果が得られる。
論文 参考訳（メタデータ） (2021-08-01T07:10:25Z) - Multi-Compound Transformer for Accurate Biomedical Image Segmentation [33.49158559361491]
我々は、MCTrans(Multi-Compound Transformer)と呼ばれる統一トランスネットワークを提案する。
MCTransはトークンのシーケンスとしてマルチスケールの畳み込み機能を組み込んで、イントラスケールとインタースケールの自己アテンションを実行する。
MCTransはUNetのようなネットワークに簡単に接続でき、バイオメディカルイメージセグメンテーションにおける最先端の手法よりも大幅に改善されている。
論文 参考訳（メタデータ） (2021-06-28T03:45:44Z) - Weak-shot Fine-grained Classification via Similarity Transfer [27.123162775124204]
本稿では,Webデータから新しいカテゴリを学習する際の課題について考察する。
そこで本研究では,SimTransという手法を用いて,基本カテゴリから新しいカテゴリへペアワイズな意味的類似性を伝達する手法を提案する。
論文 参考訳（メタデータ） (2020-09-19T09:31:52Z)
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。