論文の概要: Understanding Public Perception of Crime in Bangladesh: A Transformer-Based Approach with Explainability

• arxiv url: http://arxiv.org/abs/2507.21234v1
• Date: Mon, 28 Jul 2025 18:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.161123
• Title: Understanding Public Perception of Crime in Bangladesh: A Transformer-Based Approach with Explainability
• Title（参考訳）: バングラデシュにおける公的な犯罪認識の理解--説明可能性を用いたトランスフォーマーに基づくアプローチ
• Authors: Fatema Binte Hassan, Md Al Jubair, Mohammad Mehadi Hasan, Tahmid Hossain, S M Mehebubur Rahman Khan Shuvo, Mohammad Shamsul Arefin,
• Abstract要約: 本研究では, ユーザ生成コメントを肯定的, 否定的, 中立的な3つのカテゴリに分類することで, 犯罪関連ニュースに対する認識の高まりについて検討する。 分類精度97%のXLM-RoBERTaベースアーキテクチャを用いたトランスフォーマーモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, social media platforms have become prominent spaces for individuals to express their opinions on ongoing events, including criminal incidents. As a result, public sentiment can shift dynamically over time. This study investigates the evolving public perception of crime-related news by classifying user-generated comments into three categories: positive, negative, and neutral. A newly curated dataset comprising 28,528 Bangla-language social media comments was developed for this purpose. We propose a transformer-based model utilizing the XLM-RoBERTa Base architecture, which achieves a classification accuracy of 97%, outperforming existing state-of-the-art methods in Bangla sentiment analysis. To enhance model interpretability, explainable AI technique is employed to identify the most influential features driving sentiment classification. The results underscore the effectiveness of transformer-based models in processing low-resource languages such as Bengali and demonstrate their potential to extract actionable insights that can support public policy formulation and crime prevention strategies.
• Abstract（参考訳）: 近年、ソーシャルメディアプラットフォームは、犯罪事件を含む進行中の出来事について個人が意見を述べるための顕著な場となっている。 その結果、公共の感情は時間とともに動的に変化する。 本研究では, ユーザ生成コメントを肯定的, 否定的, 中立的な3つのカテゴリに分類することで, 犯罪関連ニュースに対する認識の高まりについて検討する。 バングラ語によるソーシャルメディアコメント28,528件を新たに収集したデータセットを開発した。 本稿では,XLM-RoBERTaベースアーキテクチャを用いたトランスフォーマーモデルを提案する。 モデル解釈可能性を高めるために、感情分類を駆動する最も影響力のある特徴を特定するために、説明可能なAI技術が採用されている。 その結果、ベンガル語などの低リソース言語処理におけるトランスフォーマーモデルの有効性を裏付け、公共政策の定式化や犯罪防止戦略を支援する実用的な洞察を抽出する可能性を示した。

関連論文リスト

• Bangla BERT for Hyperpartisan News Detection: A Semi-Supervised and Explainable AI Approach [0.0]
  超党派ニュースの分類精度を高めるための最先端トランスフォーマーベースモデル 95.65%の精度で、Bangla BERTは従来の手法より優れている。
  論文  参考訳（メタデータ） (2025-07-28T18:02:01Z)
• Social Media Sentiments Analysis on the July Revolution in Bangladesh: A Hybrid Transformer Based Machine Learning Approach [0.0]
  バングラデシュの7月革命は学生主導の大規模な暴動を引き起こし、正義、説明責任、制度改革を求める国民を統一した。 ソーシャルメディアプラットフォームは、この歴史的な大衆暴動の間、大衆の感情を増幅し、言論を形成する上で重要な役割を担った。 本稿では,革命前後のソーシャルメディアコメントで表現された世論をデコードするためのハイブリッドトランスフォーマーに基づく感情分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-15T08:26:58Z)
• How Effectively Can BERT Models Interpret Context and Detect Bengali Communal Violent Text? [0.3029213689620348]
  既存の研究では、コミュニティの暴力的な文章は未発見の領域として残されている。 本稿では,このタスクに適した微調整BanglaBERTモデルを導入し,マクロF1スコア0.60を達成した。 このアンサンブルモデルでは性能が向上し、マクロF1スコアは0.63となった。
  論文  参考訳（メタデータ） (2025-06-24T17:48:49Z)
• Assessing the Level of Toxicity Against Distinct Groups in Bangla Social Media Comments: A Comprehensive Investigation [0.0]
  本研究は, トランスジェンダー, 先住民, 移民の3つの特定のグループを対象として, ベンガル語における有毒なコメントを同定することに焦点を当てた。 この方法論は、データセット、手動のアノテーションの作成と、Bangla-BERT、bangla-bert-base、distil-BERT、Bert-base-multilingual-casedといったトレーニング済みのトランスフォーマーモデルの使用を含む。 実験の結果、Bangla-BERTは代替モデルを超え、F1スコアは0.8903に達した。
  論文  参考訳（メタデータ） (2024-09-25T17:48:59Z)
• The Devil is in the Neurons: Interpreting and Mitigating Social Biases in Pre-trained Language Models [78.69526166193236]
  プレトレーニング言語モデル(PLM)は、社会的バイアスのような有害な情報を含むことが認識されている。 我々は,社会バイアスなどの望ましくない行動に起因する言語モデルにおいて,正確に単位(すなわちニューロン)を特定するために,sc Social Bias Neuronsを提案する。 StereoSetの以前の測定値からわかるように、我々のモデルは、低コストで言語モデリング能力を維持しながら、より高い公平性を達成する。
  論文  参考訳（メタデータ） (2024-06-14T15:41:06Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Measuring the Effect of Influential Messages on Varying Personas [67.1149173905004]
  我々は、ニュースメッセージを見る際にペルソナが持つ可能性のある応答を推定するために、ニュースメディア向けのペルソナに対するレスポンス予測という新しいタスクを提示する。 提案課題は,モデルにパーソナライズを導入するだけでなく,各応答の感情極性と強度も予測する。 これにより、ペルソナの精神状態に関するより正確で包括的な推測が可能になる。
  論文  参考訳（メタデータ） (2023-05-25T21:01:00Z)
• 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)
• Countering Malicious Content Moderation Evasion in Online Social Networks: Simulation and Detection of Word Camouflage [64.78260098263489]
  ツイストとカモフラージュキーワードは、プラットフォームコンテンツモデレーションシステムを回避する最もよく使われるテクニックである。 本稿では,コンテンツ回避の新たな手法をシミュレートし,検出する多言語ツールを開発することにより,悪意ある情報に対する対処に大きく貢献する。
  論文  参考訳（メタデータ） (2022-12-27T16:08:49Z)
• Towards Understanding and Mitigating Social Biases in Language Models [107.82654101403264]
  大規模事前訓練言語モデル(LM)は、望ましくない表現バイアスを示すのに潜在的に危険である。 テキスト生成における社会的バイアスを軽減するためのステップを提案する。 我々の経験的結果と人的評価は、重要な文脈情報を保持しながらバイアスを緩和する効果を示す。
  論文  参考訳（メタデータ） (2021-06-24T17:52:43Z)
• Detecting Cross-Modal Inconsistency to Defend Against Neural Fake News [57.9843300852526]
  我々は、画像やキャプションを含む機械生成ニュースに対して、より現実的で挑戦的な対策を導入する。 敵が悪用できる可能性のある弱点を特定するために、4つの異なる種類の生成された記事からなるNeuralNewsデータセットを作成します。 ユーザ実験から得られた貴重な知見に加えて,視覚的意味的不整合の検出にもとづく比較的効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-16T14:13:15Z)
• An Enhanced Text Classification to Explore Health based Indian Government Policy Tweets [2.2082422928825136]
  そこで本稿では,Twitter のさまざまな保健制度の分類を改良したテキスト分類フレームワークを提案する。 そこで我々は,新しいGloVe単語埋め込みとクラス固有の感情に基づくテキスト拡張手法(Mod-EDA)を提案する。
  論文  参考訳（メタデータ） (2020-07-13T17:04:44Z)

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。