論文の概要: Modeling Public Perceptions of Science in Media

• arxiv url: http://arxiv.org/abs/2506.16622v1
• Date: Thu, 19 Jun 2025 21:49:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.267345
• Title: Modeling Public Perceptions of Science in Media
• Title（参考訳）: メディアにおける科学の認識のモデル化
• Authors: Jiaxin Pei, Dustin Wright, Isabelle Augenstin, David Jurgens,
• Abstract要約: 本稿では,ニュースの持続性,重要度,驚き度など,12次元にわたる公的な認識をモデル化する計算フレームワークを提案する。 我々は、米国と英国の多様な人口から2,101人の参加者から10,489のアノテーションで、大規模な科学ニュースの認識データセットを作成します。 我々は,公共の知覚スコアを高い性能で予測するNLPモデルを開発した。
• 参考スコア（独自算出の注目度）: 15.640658415323808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effectively engaging the public with science is vital for fostering trust and understanding in our scientific community. Yet, with an ever-growing volume of information, science communicators struggle to anticipate how audiences will perceive and interact with scientific news. In this paper, we introduce a computational framework that models public perception across twelve dimensions, such as newsworthiness, importance, and surprisingness. Using this framework, we create a large-scale science news perception dataset with 10,489 annotations from 2,101 participants from diverse US and UK populations, providing valuable insights into public responses to scientific information across domains. We further develop NLP models that predict public perception scores with a strong performance. Leveraging the dataset and model, we examine public perception of science from two perspectives: (1) Perception as an outcome: What factors affect the public perception of scientific information? (2) Perception as a predictor: Can we use the estimated perceptions to predict public engagement with science? We find that individuals' frequency of science news consumption is the driver of perception, whereas demographic factors exert minimal influence. More importantly, through a large-scale analysis and carefully designed natural experiment on Reddit, we demonstrate that the estimated public perception of scientific information has direct connections with the final engagement pattern. Posts with more positive perception scores receive significantly more comments and upvotes, which is consistent across different scientific information and for the same science, but are framed differently. Overall, this research underscores the importance of nuanced perception modeling in science communication, offering new pathways to predict public interest and engagement with scientific content.
• Abstract（参考訳）: 科学的コミュニティにおける信頼と理解を育むためには、効果的に科学に大衆を巻き込むことが不可欠である。 しかし、情報量が増え続ける中、科学コミュニケーターは、聴衆が科学ニュースをどう認識し、どのように相互作用するかを予測しようと苦労している。 本稿では,ニュースの持続性,重要度,驚き度など,12次元にわたる公的な認識をモデル化する計算フレームワークを提案する。 このフレームワークを用いて、米国と英国の多様な住民から2,101人の参加者から10,489のアノテーションが得られた大規模な科学ニュース認識データセットを作成し、ドメイン間での科学情報に対する公衆の反応に関する貴重な洞察を提供する。 さらに,評価スコアを高い性能で予測するNLPモデルを開発した。 1) 結果としての認識: 科学情報の認識に影響を及ぼす要因は何か? 2)予測者としての認識: 予測された知覚を用いて科学への公的な関与を予測することができるか? 個人の科学ニュース消費頻度が認知の原動力であるのに対して、人口統計学的要因は最小限の影響を及ぼしている。 さらに重要なことは、Redditで大規模な分析と慎重に設計された自然実験を通じて、科学的情報の一般の認識が最終的なエンゲージメントパターンと直接関係があることを実証することである。 より肯定的な知覚スコアを持つポストは、異なる科学的情報と同一の科学に対して一貫性のあるコメントやアップボイトをかなり多く受け取っているが、異なるフレーム化されている。 この研究は、科学コミュニケーションにおけるニュアンス認識モデリングの重要性を浮き彫りにし、大衆の関心や科学コンテンツへの関与を予測する新しい経路を提供する。

関連論文リスト

• ScienceMeter: Tracking Scientific Knowledge Updates in Language Models [79.33626657942169]
  大規模言語モデル(LLM)は、科学研究を支援するためにますます使われているが、科学的進歩に関する彼らの知識は急速に時代遅れになる。 我々は,過去,現在,未来にまたがる科学的知識の更新手法を評価するための新しいフレームワークであるScienceMeterを紹介する。
  論文  参考訳（メタデータ） (2025-05-30T07:28:20Z)
• Understanding Fine-grained Distortions in Reports of Scientific Findings [46.96512578511154]
  歪んだ科学コミュニケーションは、不健康な行動の変化を招き、科学機関の信頼を低下させる可能性があるため、個人や社会に害を与える。 近年の科学コミュニケーションの増大を考えると、科学出版物からの発見が一般大衆にどのように報告されるかについて、きめ細かい理解が不可欠である。
  論文  参考訳（メタデータ） (2024-02-19T19:00:01Z)
• Forecasting high-impact research topics via machine learning on evolving knowledge graphs [0.6906005491572401]
  我々は、研究者がこれまでに出版したことのないアイデアの発症の影響を予測する方法を示す。 我々は、2200万以上の科学論文から構築された大きな進化した知識グラフを開発した。 機械学習を用いることで、進化するネットワークのダイナミックな未来を高精度で予測できる。
  論文  参考訳（メタデータ） (2024-02-13T18:09:38Z)
• Network Analysis of the iNaturalist Citizen Science Community [0.6118897979046375]
  我々は,iNaturalistの市民科学プラットフォームを事例研究として,市民科学プロジェクトの構造を分析する。 我々は、iNaturalistデータを用いて、他の一般的なベンチマークネットワークと比較して異常な構造を持つネットワークを作成することにより、ネットワーク科学研究のための新しいユニークなベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-10-16T00:41:13Z)
• Flexible social inference facilitates targeted social learning when rewards are not observable [58.762004496858836]
  グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。 社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
  論文  参考訳（メタデータ） (2022-12-01T21:04:03Z)
• Modeling Information Change in Science Communication with Semantically Matched Paraphrases [50.67030449927206]
  SPICEDは、情報変化の度合いに注釈を付けた科学的な発見の最初のパラフレーズデータセットである。 SPICEDには、ニュース記事、ソーシャルメディアの議論、オリジナル論文の全文から抽出された6000の科学的発見ペアが含まれている。 SPICEDで訓練されたモデルは、実世界の科学的主張の事実チェックのための証拠検索において下流のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2022-10-24T07:44:38Z)
• A Computational Inflection for Scientific Discovery [48.176406062568674]
  我々は科学的な発見の軌跡において、かなりの屈折の足元に立っている。 社会が急速に成長するデジタルトランスフォーメーションを継続するにつれて、人類の集団的な科学的知識も同様である。 コンピュータ科学は科学プロセス自体に革命を起こそうとしている。
  論文  参考訳（メタデータ） (2022-05-04T11:36:54Z)
• Attention: to Better Stand on the Shoulders of Giants [34.5017808610466]
  本稿では,長期科学的影響予測のための注意機構を開発する。 実際の大規模引用データセットに基づいて,本手法の検証を行う。
  論文  参考訳（メタデータ） (2020-05-27T00:25:51Z)

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。