論文の概要: FATe of Bots: Ethical Considerations of Social Bot Detection

• arxiv url: http://arxiv.org/abs/2602.05200v1
• Date: Thu, 05 Feb 2026 01:53:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.705691
• Title: FATe of Bots: Ethical Considerations of Social Bot Detection
• Title（参考訳）: ボットのFATe:社会的ボット検出の倫理的考察
• Authors: Lynnette Hui Xian Ng, Ethan Pan, Michael Miller Yoder, Kathleen M. Carley,
• Abstract要約: 本稿では、データセットのトレーニング、アルゴリズム開発、ボットエージェントの使用という3つの柱を通じて、社会ボット検出システムにおける倫理的意味について検討する。 我々は、ソーシャルメディアボット検出環境の改善に向けた、より責任と公平なアプローチを刺激することを目指している。
• 参考スコア（独自算出の注目度）: 1.8470340645800405
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A growing suite of research illustrates the negative impact of social media bots in amplifying harmful information with widespread social implications. Social bot detection algorithms have been developed to help identify these bot agents efficiently. While such algorithms can help mitigate the harmful effects of social media bots, they operate within complex socio-technical systems that include users and organizations. As such, ethical considerations are key while developing and deploying these bot detection algorithms, especially at scales as massive as social media ecosystems. In this article, we examine the ethical implications for social bot detection systems through three pillars: training datasets, algorithm development, and the use of bot agents. We do so by surveying the training datasets of existing bot detection algorithms, evaluating existing bot detection datasets, and drawing on discussions of user experiences of people being detected as bots. This examination is grounded in the FATe framework, which examines Fairness, Accountability, and Transparency in consideration of tech ethics. We then elaborate on the challenges that researchers face in addressing ethical issues with bot detection and provide recommendations for research directions. We aim for this preliminary discussion to inspire more responsible and equitable approaches towards improving the social media bot detection landscape.
• Abstract（参考訳）: ソーシャルメディアのボットが有害な情報を増幅し、広く社会に影響を及ぼす悪影響を示す研究が増えている。 社会的ボット検出アルゴリズムは、これらのボットエージェントを効率的に識別するために開発された。 このようなアルゴリズムは、ソーシャルメディアボットの有害な影響を軽減するのに役立ちますが、ユーザや組織を含む複雑な社会技術システムの中で機能します。 そのため、これらのボット検出アルゴリズムの開発と展開において、特にソーシャルメディアのエコシステムと同じくらいの規模で倫理的考慮が重要である。 本稿では,学習データセット,アルゴリズム開発,ボットエージェントの利用という3つの柱を通じて,社会ボット検出システムに対する倫理的意味を考察する。 既存のボット検出アルゴリズムのトレーニングデータセットを調査し、既存のボット検出データセットを評価し、ボットとして検出された人々のユーザエクスペリエンスについて議論する。 この試験は、技術倫理を考慮に入れた公正性、説明責任、透明性を検査するFATeフレームワークに基礎を置いている。 次に、ボット検出に関する倫理的問題に対処する上で、研究者が直面する課題について詳述し、研究の方向性を推奨する。 この予備的な議論は、ソーシャルメディアのボット検出環境を改善するための、より責任と公平なアプローチを促すことを目的としている。

関連論文リスト

• RoBCtrl: Attacking GNN-Based Social Bot Detectors via Reinforced Manipulation of Bots Control Interaction [51.46634975923564]
  本稿では,ソーシャルボット制御攻撃(RoBCtrl)のための対向型マルチエージェント強化学習フレームワークを提案する。 具体的には、拡散モデルを用いて、既存のアカウントデータを小さな修正で再構築することで、高忠実度ボットアカウントを生成する。 次に,MARL(Multi-Agent Reinforcement Learning)法を用いて,ボットの逆動作をシミュレートする。
  論文  参考訳（メタデータ） (2025-10-16T02:41:49Z)
• Unmasking Social Bots: How Confident Are We? [41.94295877935867]
  本稿では,ボット検出と不確実性の定量化の両方に対処することを提案する。 この二重焦点は、各予測の定量化の不確実性に関連する追加情報を活用することができるため、非常に重要である。 具体的には,予測を高い信頼性で行う場合のボットに対する標的的介入を促進するとともに,予測が不確実な場合の警告(例えば,より多くのデータ収集)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T22:33:52Z)
• Adversarial Botometer: Adversarial Analysis for Social Bot Detection [1.9280536006736573]
  ソーシャルボットは人間の創造性を模倣するコンテンツを制作する。 悪意のあるソーシャルボットは、非現実的なコンテンツで人々を騙すようになる。 テキストベースのボット検出器の動作を競合環境下で評価する。
  論文  参考訳（メタデータ） (2024-05-03T11:28:21Z)
• What Does the Bot Say? Opportunities and Risks of Large Language Models in Social Media Bot Detection [48.572932773403274]
  ソーシャルボット検出における大規模言語モデルの可能性とリスクについて検討する。 本稿では,多様なユーザ情報モダリティを分割し,克服するための混合異種エキスパートフレームワークを提案する。 実験により、1000の注釈付き例に対する命令チューニングは、最先端のベースラインよりも優れた特殊なLLMを生成することが示された。
  論文  参考訳（メタデータ） (2024-02-01T06:21:19Z)
• My Brother Helps Me: Node Injection Based Adversarial Attack on Social Bot Detection [69.99192868521564]
  Twitterのようなソーシャルプラットフォームは、数多くの不正なユーザーから包囲されている。 ソーシャルネットワークの構造のため、ほとんどの手法は攻撃を受けやすいグラフニューラルネットワーク(GNN)に基づいている。 本稿では,ボット検出モデルを欺いたノードインジェクションに基づく逆攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T03:09:48Z)
• Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
  本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。 また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
  論文  参考訳（メタデータ） (2021-12-08T14:12:24Z)
• Bot-Match: Social Bot Detection with Recursive Nearest Neighbors Search [9.457368716414079]
  ソーシャルボットはこの10年で出現し、最初は迷惑をかけたが、最近ではジャーナリストを威圧し、選挙イベントを妨害し、既存のソーシャル・ファイジャーを悪化させた。 この社会的脅威により、ボット検出アルゴリズムが進化して、ますます高度なボットアカウントに追いつくために進化する、ボット検出アルゴリズムが誕生した。 このギャップは、研究者、ジャーナリスト、アナリストが、最先端の監視ボット検出アルゴリズムによって検出されていない悪意のあるボットアカウントを毎日特定することを意味している。 類似性に基づくアルゴリズムは、既存の教師なしおよび教師なしの手法を補完し、このギャップを埋めることができる。
  論文  参考訳（メタデータ） (2020-07-15T11:48:24Z)
• Detection of Novel Social Bots by Ensembles of Specialized Classifiers [60.63582690037839]
  悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。 異なるタイプのボットが、異なる行動特徴によって特徴づけられることを示す。 本稿では,ボットのクラスごとに専門的な分類器を訓練し,それらの決定を最大ルールで組み合わせる,教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T22:59:59Z)

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。