論文の概要: Addressing Antisocial Behavior in Multi-Party Dialogs Through Multimodal Representation Learning

• arxiv url: http://arxiv.org/abs/2510.17289v1
• Date: Mon, 20 Oct 2025 08:27:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.029358
• Title: Addressing Antisocial Behavior in Multi-Party Dialogs Through Multimodal Representation Learning
• Title（参考訳）: マルチモーダル表現学習による多人数対話における反社会的行動の対応
• Authors: Hajar Bakarou, Mohamed Sinane El Messoussi, Anaïs Ollagnier,
• Abstract要約: ソーシャルメディア上での反社会的行動(ASB)は、プラットフォーム安全と社会的幸福へのリスクを増大させる。 textitCyberAgressionAdo-Largeは、多人数会話でASBをシミュレートするフランスのオープンアクセスデータセットです。 我々は6つのテキストベースおよび8つのグラフベースのテキスト表現学習手法をベンチマークし、語彙的手がかり、相互作用力学、およびそれらのマルチモーダル融合を分析した。
• 参考スコア（独自算出の注目度）: 1.452875650827562
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Antisocial behavior (ASB) on social media -- including hate speech, harassment, and cyberbullying -- poses growing risks to platform safety and societal well-being. Prior research has focused largely on networks such as X and Reddit, while \textit{multi-party conversational settings} remain underexplored due to limited data. To address this gap, we use \textit{CyberAgressionAdo-Large}, a French open-access dataset simulating ASB in multi-party conversations, and evaluate three tasks: \textit{abuse detection}, \textit{bullying behavior analysis}, and \textit{bullying peer-group identification}. We benchmark six text-based and eight graph-based \textit{representation-learning methods}, analyzing lexical cues, interactional dynamics, and their multimodal fusion. Results show that multimodal models outperform unimodal baselines. The late fusion model \texttt{mBERT + WD-SGCN} achieves the best overall results, with top performance on abuse detection (0.718) and competitive scores on peer-group identification (0.286) and bullying analysis (0.606). Error analysis highlights its effectiveness in handling nuanced ASB phenomena such as implicit aggression, role transitions, and context-dependent hostility.
• Abstract（参考訳）: ヘイトスピーチやハラスメント、サイバーいじめなど、ソーシャルメディア上での反社会的行動(ASB)は、プラットフォームの安全性と社会的幸福へのリスクを増大させる。 これまでの研究は、主にXやRedditのようなネットワークに焦点を合わせてきたが、‘textit{multi-party conversational settings’は、限られたデータのために未探索のままである。 このギャップに対処するために、フランスのオープンアクセスデータセットである \textit{CyberAgressionAdo-Large} を用いて、多人数の会話でASBをシミュレートし、3つのタスクを評価する: \textit{abuse detection} 、 \textit{bullying behavior analysis} 、 \textit{bullying peer-group identification} である。 我々は6つのテキストベースと8つのグラフベース \textit{representation-learning method} をベンチマークし、語彙的手がかり、相互作用力学、およびそれらのマルチモーダル融合を解析した。 その結果,マルチモーダルモデルは単調なベースラインよりも優れていた。 後期融合モデル \texttt{mBERT + WD-SGCN} は、虐待検出 (0.718) とピアグループ識別 (0.286) といじめ分析 (0.606) の競合スコアで最高の結果を得る。 エラー分析は、暗黙の攻撃、役割遷移、文脈依存の敵意といった、曖昧なASB現象を扱う上での有効性を強調している。

関連論文リスト

• From Sparse Decisions to Dense Reasoning: A Multi-attribute Trajectory Paradigm for Multimodal Moderation [59.27094165576015]
  疎度な意思決定から高密度な推論トレースへ移行する新しい学習パラダイム(UniMod)を提案する。 モノリシックな意思決定タスクを多次元境界学習プロセスに再構成し,エビデンス,モダリティ評価,リスクマッピング,政策決定,応答生成を含む構造化軌道を構築する。 タスク固有のパラメータを分離し、トレーニングダイナミクスを再バランスさせ、マルチタスク学習における多様な目的間の干渉を効果的に解消する、特別な最適化戦略を導入する。
  論文  参考訳（メタデータ） (2026-01-28T09:29:40Z)
• Using Large Language Models to Detect Socially Shared Regulation of Collaborative Learning [15.567266973412815]
  予測モデルを拡張し、埋め込み型アプローチを用いて、社会的に共有された学習行動の制御を自動的に検出する。 我々は,大規模言語モデル(LLM)を要約ツールとして活用し,システムログに整合した学生対話のタスク認識表現を生成する。 その結果, テキストのみの埋め込みは, 実行やグループダイナミクスに関連するSSRLの挙動の検出において, より強力な性能が得られることがわかった。
  論文  参考訳（メタデータ） (2026-01-08T00:30:46Z)
• TopiCLEAR: Topic extraction by CLustering Embeddings with Adaptive dimensional Reduction [0.0]
  TopiCLEAR: 適応次元還元による埋め込みのクラスタリングによるトピック抽出について述べる。 我々は、20News、AgNewsTitle、Reddit、TweetTopicの4つの多様なデータセットに対するアプローチを評価した。 本手法はより解釈可能なトピックを生成し,ソーシャルメディアデータやWebコンテンツ分析への応用の可能性を強調した。
  論文  参考訳（メタデータ） (2025-12-07T07:01:28Z)
• SynBullying: A Multi LLM Synthetic Conversational Dataset for Cyberbullying Detectio [3.0515696049879195]
  SynBullyingは、サイバブリング(CB)の研究と検出のための合成多言語対話データセットである。 このデータセットは、(i)会話構造を提供し、孤立したポストではなく、多ターン交換をキャプチャし、(ii)文脈認識アノテーション、(ii)文脈、意図、言論のダイナミクスを考慮した会話フロー内で有害性を評価し、(iii)言語学的および行動学的分析のための様々なCBカテゴリをカバーする、きめ細かいラベル付けを提供する。 会話構造,語彙パターン,感情・毒性,役割ダイナミクス,害強度,CB型分布の5次元にわたってSynBullyingを評価した。
  論文  参考訳（メタデータ） (2025-10-30T09:27:36Z)
• Agent4FaceForgery: Multi-Agent LLM Framework for Realistic Face Forgery Detection [108.5042835056188]
  この作業では,2つの基本的な問題に対処するため,Agent4FaceForgeryを導入している。 人間の偽造の多様な意図と反復的なプロセスを捉える方法。 ソーシャルメディアの偽造に付随する複雑な、しばしば敵対的な、テキストと画像のインタラクションをモデル化する方法。
  論文  参考訳（メタデータ） (2025-09-16T01:05:01Z)
• Cyberbullying Detection in Hinglish Text Using MURIL and Explainable AI [0.356008609689971]
  デジタルプラットフォーム上でのHindi-English(Hinglish)通信のコード混在は、既存のサイバーいじめ検知システムに課題をもたらす。 本稿では,インド語多言語表現(MURIL)アーキテクチャを用いたHinglishテキストにおけるサイバーいじめ検出のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-19T06:46:42Z)
• SIV-Bench: A Video Benchmark for Social Interaction Understanding and Reasoning [53.16179295245888]
  SIV-Benchは、SSU(Social Scene Understanding)、SSR(Social State Reasoning)、SDP(Social Dynamics Prediction)におけるMLLM(Multimodal Large Language Models)の機能を評価するための新しいビデオベンチマークである。 SIV-Benchは、2,792本のビデオクリップと8,792本の人間とLLMのコラボレーティブパイプラインから得られた精巧に生成された質問応答ペアを備えている。 また、異なるテキストキュー固有のオンスクリーンテキスト、追加の対話、あるいはノーテキストの影響を分析するための専用の設定も含まれている。
  論文  参考訳（メタデータ） (2025-06-05T05:51:35Z)
• SEAR: A Multimodal Dataset for Analyzing AR-LLM-Driven Social Engineering Behaviors [8.285642026459179]
  SEARデータセットは、拡張現実(AR)とマルチモーダル大言語モデル(LLM)によって編成された社会工学(SE)攻撃の出現する脅威を研究するために設計された、新しいマルチモーダルリソースである。 このデータセットは、シミュレーションされた敵シナリオにおける60人の参加者間の180の注釈付き会話をキャプチャする。 それは、ARでキャプチャされた視覚/オーディオの手がかり(例えば、表情、声のトーン)、環境条件、ソーシャルメディアのプロフィール、そして信頼評価や感受性評価などの主観的な指標を含む。
  論文  参考訳（メタデータ） (2025-05-30T10:46:13Z)
• Reasoning-Augmented Conversation for Multi-Turn Jailbreak Attacks on Large Language Models [53.580928907886324]
  Reasoning-Augmented Conversationは、新しいマルチターンジェイルブレイクフレームワークである。 有害なクエリを良心的な推論タスクに再構成する。 RACEは,複雑な会話シナリオにおいて,最先端攻撃の有効性を実現する。
  論文  参考訳（メタデータ） (2025-02-16T09:27:44Z)
• AMPLE: Emotion-Aware Multimodal Fusion Prompt Learning for Fake News Detection [0.1499944454332829]
  本稿では,Emotion-textbfAware textbfMultimodal Fusion textbfPrompt textbfLtextbfEarning (textbfAMPLE) フレームワークについて述べる。 このフレームワークは感情分析ツールを利用してテキストから感情要素を抽出する。 次に、マルチヘッドクロスアテンション(MCA)機構と類似性を考慮した融合手法を用いて、マルチモーダルデータを統合する。
  論文  参考訳（メタデータ） (2024-10-21T02:19:24Z)
• A Novel Energy based Model Mechanism for Multi-modal Aspect-Based Sentiment Analysis [85.77557381023617]
  マルチモーダル感情分析のための新しいフレームワークDQPSAを提案する。 PDQモジュールは、プロンプトをビジュアルクエリと言語クエリの両方として使用し、プロンプト対応の視覚情報を抽出する。 EPEモジュールはエネルギーベースモデルの観点から解析対象の境界ペアリングをモデル化する。
  論文  参考訳（メタデータ） (2023-12-13T12:00:46Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• Characterizing the adversarial vulnerability of speech self-supervised learning [95.03389072594243]
  我々は,ゼロ知識とリミテッド知識の両方の敵からの攻撃の下で,そのようなパラダイムの敵対的脆弱性を調査するための最初の試みを行う。 実験結果から, SUPERB が提案するパラダイムは, 限られた知識を持つ敵に対して脆弱であることが示唆された。
  論文  参考訳（メタデータ） (2021-11-08T08:44:04Z)
• Dynamic Hybrid Relation Network for Cross-Domain Context-Dependent Semantic Parsing [52.24507547010127]
  ドメイン間コンテキスト依存のセマンティック解析は研究の新たな焦点である。 本稿では,コンテキストの発話,トークン,データベーススキーマ,会話の進行に伴う複雑なインタラクションを効果的にモデル化する動的グラフフレームワークを提案する。 提案したフレームワークは既存のモデルを大きなマージンで上回り、2つの大規模ベンチマークで新しい最先端性能を達成する。
  論文  参考訳（メタデータ） (2021-01-05T18:11:29Z)
• Detecting Online Hate Speech: Approaches Using Weak Supervision and Network Embedding Models [2.3322477552758234]
  本研究では,ヘイトフルユーザを定量的に発見する弱監督型深層学習モデルを提案する。 我々は、19.2Mの投稿において、我々のモデルを評価し、我々の弱い監督モデルは、間接的に憎悪的な相互作用を識別するベースラインモデルよりも優れていることを示す。 また,Gabにおける2種類のユーザインタラクション(引用と応答)と,弱監督モデルからのインタラクションスコアをエッジウェイトとして分析し,ヘイトフルユーザを予測する。
  論文  参考訳（メタデータ） (2020-07-24T18:13:52Z)
• A Hybrid Solution to Learn Turn-Taking in Multi-Party Service-based Chat Groups [2.943984871413744]
  テキストベースのチャットグループでは、利用可能な情報は送信者、テキストの内容、対話履歴のみである。 本稿では,これらの情報をコーパスとアーキテクチャを用いて予測タスクでどのように利用することができるかについて述べる。
  論文  参考訳（メタデータ） (2020-01-14T22:37:21Z)

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。