論文の概要: When Large Language Models Do Not Work: Online Incivility Prediction through Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2512.07684v1
• Date: Mon, 08 Dec 2025 16:22:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.960868
• Title: When Large Language Models Do Not Work: Online Incivility Prediction through Graph Neural Networks
• Title（参考訳）: 大規模言語モデルが機能しない場合:グラフニューラルネットワークによるオンラインアクティビティ予測
• Authors: Zihan Chen, Lanyu Yu,
• Abstract要約: 本稿では,英語ウィキペディアコミュニティ内での3種類の非現実行動を検出するためのグラフニューラルネットワークフレームワークを提案する。 我々のモデルは、各ユーザコメントをノードとして表現し、エッジを定義するコメント間のテキスト的類似性を持つ。 また,情報収集時のノイズ・トポロジ的特徴を適応的にバランスさせる動的アテンション機構を導入する。
• 参考スコア（独自算出の注目度）: 3.353377687171614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online incivility has emerged as a widespread and persistent problem in digital communities, imposing substantial social and psychological burdens on users. Although many platforms attempt to curb incivility through moderation and automated detection, the performance of existing approaches often remains limited in both accuracy and efficiency. To address this challenge, we propose a Graph Neural Network (GNN) framework for detecting three types of uncivil behavior (i.e., toxicity, aggression, and personal attacks) within the English Wikipedia community. Our model represents each user comment as a node, with textual similarity between comments defining the edges, allowing the network to jointly learn from both linguistic content and relational structures among comments. We also introduce a dynamically adjusted attention mechanism that adaptively balances nodal and topological features during information aggregation. Empirical evaluations demonstrate that our proposed architecture outperforms 12 state-of-the-art Large Language Models (LLMs) across multiple metrics while requiring significantly lower inference cost. These findings highlight the crucial role of structural context in detecting online incivility and address the limitations of text-only LLM paradigms in behavioral prediction. All datasets and comparative outputs will be publicly available in our repository to support further research and reproducibility.
• Abstract（参考訳）: オンラインのインシヴィティは、デジタルコミュニティにおいて広範囲で永続的な問題として現れ、ユーザに対する社会的、心理的な負担を伴っている。 多くのプラットフォームは、モデレーションと自動検出によって悪質を抑えようとするが、既存のアプローチの性能は精度と効率の両方で制限されることが多い。 この課題に対処するために、英語ウィキペディアコミュニティ内の3種類の非市民行動(毒性、攻撃性、個人攻撃)を検出するグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々のモデルは各ユーザコメントをノードとして表現し、エッジを定義するコメント間のテキスト的類似性により、コメント間の言語コンテンツと関係構造の両方からネットワークが共同で学習できるようにする。 また,情報収集時のノイズ・トポロジ的特徴を適応的にバランスさせる動的アテンション機構を導入する。 実験により,提案したアーキテクチャは,複数のメトリクスをまたいだ12の最先端のLarge Language Model(LLM)よりも高い性能を示し,推論コストを大幅に低減した。 これらの知見は,オンライン・イシビリティの検出における構造的文脈の重要性を浮き彫りにして,行動予測におけるテキストのみのLLMパラダイムの限界に対処するものである。 すべてのデータセットと比較出力は、さらなる研究と再現性をサポートするために、私たちのリポジトリで公開されます。

関連論文リスト

• Graphically Speaking: Unmasking Abuse in Social Media with Conversation Insights [10.188075925271471]
  ソーシャルメディアの会話における虐待的言語は、先行するコメントの内容とトポロジによって特徴づけられる会話の文脈に依存する。 従来の乱用言語検出モデルは、しばしばこのコンテキストを見落とし、信頼性の低いパフォーマンス指標につながる可能性がある。 会話コンテキストを統合する最近の自然言語処理(NLP)手法は、しばしば限定的かつ単純化された表現に依存し、一貫性のない結果を報告する。 本稿では,グラフニューラルネットワーク(GNN)を用いてソーシャルメディアの会話をグラフとしてモデル化し,ノードがコメントを表現し,エッジが応答構造をキャプチャする手法を提案する。
  論文  参考訳（メタデータ） (2025-04-02T17:03:37Z)
• Transcending the Attention Paradigm: Representation Learning from Geospatial Social Media Data [1.8311821879979955]
  本研究では,分散パターンの源泉としてソーシャルメディアデータを調べることで,パフォーマンスベンチマークのパラダイムに挑戦する。 これらの抽象的関係を適切に表現するために、この研究では、経験的ソーシャルメディアコーパスを要素成分に分解し、人口密度の場所をまたいだ20億以上のツイートを分析した。
  論文  参考訳（メタデータ） (2023-10-09T03:27:05Z)
• Foundational Models Defining a New Era in Vision: A Survey and Outlook [151.49434496615427]
  視覚シーンの構成的性質を観察し、推論する視覚システムは、我々の世界を理解するのに不可欠である。 モデルは、このようなモダリティと大規模なトレーニングデータとのギャップを埋めることを学び、コンテキスト推論、一般化、テスト時の迅速な機能を容易にした。 このようなモデルの出力は、例えば、バウンディングボックスを設けて特定のオブジェクトをセグメント化したり、画像や映像シーンについて質問したり、言語命令でロボットの動作を操作することで対話的な対話を行うなど、リトレーニングすることなく、人為的なプロンプトによって変更することができる。
  論文  参考訳（メタデータ） (2023-07-25T17:59:18Z)
• Graph Neural Networks for Multi-Robot Active Information Acquisition [15.900385823366117]
  基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。 既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。 本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-24T21:45:06Z)
• Interpretable part-whole hierarchies and conceptual-semantic relationships in neural networks [4.153804257347222]
  本稿では、視覚的手がかりから部分全体階層を表現できるフレームワークであるAgglomeratorについて述べる。 本研究では,SmallNORB,MNIST,FashionMNIST,CIFAR-10,CIFAR-100などの共通データセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2022-03-07T10:56:13Z)
• Detecting Offensive Language on Social Networks: An End-to-end Detection Method based on Graph Attention Networks [7.723697303436006]
  攻撃的言語検出(CT-OLD)のためのコミュニティ構造とテキスト特徴に基づくエンドツーエンド手法を提案する。 ユーザの特徴を表現するために,コミュニティ構造にユーザ意見を追加する。ユーザ意見は,ユーザ履歴行動情報によって表現され,テキスト情報によって表現されるものよりも優れる。
  論文  参考訳（メタデータ） (2022-03-04T03:57:18Z)
• Spatial-Temporal Sequential Hypergraph Network for Crime Prediction [56.41899180029119]
  本稿では,複合犯罪の時空間パターンを包括的に符号化する時空間逐次ハイパーグラフネットワーク(ST-SHN)を提案する。 特に、長距離及びグローバルなコンテキスト下での時空間力学を扱うために、グラフ構造化されたメッセージパッシングアーキテクチャを設計する。 提案するST-SHNフレームワークは予測性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-01-07T12:46:50Z)
• Improving Classifier Training Efficiency for Automatic Cyberbullying Detection with Feature Density [58.64907136562178]
  言語支援の異なる特徴前処理手法を用いて特徴密度(FD)の有効性を検討した。 データセットの複雑さを推定することで、必要な実験の数を削減できると仮定する。 データセットの言語的複雑さの違いにより、言語的に支援された単語前処理の有効性を議論することが可能になる。
  論文  参考訳（メタデータ） (2021-11-02T15:48:28Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)

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。