論文の概要: CritiSense: Critical Digital Literacy and Resilience Against Misinformation

• arxiv url: http://arxiv.org/abs/2603.16672v1
• Date: Tue, 17 Mar 2026 15:37:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.380057
• Title: CritiSense: Critical Digital Literacy and Resilience Against Misinformation
• Title（参考訳）: CritiSense: デジタルリテラシーと誤情報に対するレジリエンス
• Authors: Firoj Alam, Fatema Ahmad, Ali Ezzat Shahroor, Mohamed Bayan Kmainasi, Elisa Sartori, Giovanni Da San Martino, Abul Hasnat, Raian Ali,
• Abstract要約: CritiSenseはモバイル・メディア・リテラシー・アプリだ。 トピックやドメインをまたいだ迅速な更新のために設計された、最初の多言語(9つの言語をサポートする)およびモジュラプラットフォームである。
• 参考スコア（独自算出の注目度）: 11.067714305342376
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Misinformation on social media undermines informed decision-making and public trust. Prebunking offers a proactive complement by helping users recognize manipulation tactics before they encounter them in the wild. We present CritiSense, a mobile media-literacy app that builds these skills through short, interactive challenges with instant feedback. It is the first multilingual (supporting nine languages) and modular platform, designed for rapid updates across topics and domains. We report a usability study with 93 users: 83.9% expressed overall satisfaction and 90.1% rated the app as easy to use. Qualitative feedback indicates that CritiSense helps improve digital literacy skills. Overall, it provides a multilingual prebunking platform and a testbed for measuring the impact of microlearning on misinformation resilience. Over 3+ months, we have reached 300+ active users. It is freely available to all users on the Apple App Store (https://apps.apple.com/us/app/critisense/id6749675792) and Google Play Store (https://play.google.com/store/apps/details?id=com.critisense&hl=en). Demo Video: https://shorturl.at/CDcdc
• Abstract（参考訳）: ソーシャルメディア上の誤報は、情報的な意思決定と公的な信頼を損なう。 Prebunkingは、ユーザーが野生で遭遇する前に操作戦術を認識するのを助けることで、積極的な補完を提供する。 私たちはCritiSenseというモバイルメディアリテラシーアプリを紹介します。 トピックやドメインをまたいだ迅速な更新のために設計された、最初の多言語(9つの言語をサポートする)およびモジュラプラットフォームである。 ユーザの満足度は83.9%,アプリの使いやすさは90.1%であった。 質的なフィードバックは、CritiSenseがデジタルリテラシースキルの向上に役立つことを示している。 全体として、マイクロラーニングが誤情報レジリエンスに与える影響を測定するための、多言語プレバンキングプラットフォームとテストベッドを提供する。 3ヶ月以上、アクティブユーザー数は300人を超えた。 Apple App Storeの全ユーザー(https://apps.apple.com/us/critisense/id6749675792)とGoogle Play Store(https://play.google.com/store/apps/details?id=com.critisense&hl=en)で無料で利用できる。 デモビデオ: https://shorturl.at/CDcdc

関連論文リスト

• Understanding writing style in social media with a supervised contrastively pre-trained transformer [57.48690310135374]
  オンラインソーシャルネットワークは、ヘイトスピーチから偽情報の拡散まで、有害な行動の場として機能している。 本稿では, 4.5 x 106テキストの公開資料から得られた大規模コーパスに基づいて学習したStyle Transformer for Authorship Representations (STAR)を紹介する。 512個のトークンからなる8つのドキュメントからなるサポートベースを使用して、著者を最大1616人の著者のセットから、少なくとも80%の精度で識別することができる。
  論文  参考訳（メタデータ） (2023-10-17T09:01:17Z)
• UltraFeedback: Boosting Language Models with Scaled AI Feedback [99.4633351133207]
  大規模で高品質で多様なAIフィードバックデータセットである textscUltraFeedback を提示する。 我々の研究は、強力なオープンソースのチャット言語モデルを構築する上で、スケールしたAIフィードバックデータの有効性を検証する。
  論文  参考訳（メタデータ） (2023-10-02T17:40:01Z)
• SkillFence: A Systems Approach to Practically Mitigating Voice-Based Confusion Attacks [9.203566746598439]
  最近の研究によると、Amazon AlexaやGoogle Homeのような商用システムは、音声による混乱攻撃に弱い。 この種の攻撃に対するシステム指向の防御を提案し、Amazon Alexaの機能を実証する。 SkilIFenceは、既存の音声アシスタントユーザーがインストールできるブラウザ拡張機能で、コマンドに応答して適切なスキルのみを実行することを保証します。
  論文  参考訳（メタデータ） (2022-12-16T22:22:04Z)
• Offensive Language Detection on Twitter [0.0]
  攻撃的なツイートの分類で74%の精度を達成しました。 また、ソーシャルメディアの世界における乱用コンテンツ検出における今後の課題もリストアップする。
  論文  参考訳（メタデータ） (2022-09-28T13:35:22Z)
• muBoost: An Effective Method for Solving Indic Multilingual Text Classification Problem [0.0]
  我々はMoj上で多言語乱用コメント識別問題に対する解決策を提示している。 この問題は、13の地域インド語で虐待的なコメントを検出することに対処した。 テストデータから平均F1スコアが89.286、ベースラインMURILモデルが87.48で改善された。
  論文  参考訳（メタデータ） (2022-06-21T12:06:03Z)
• Toxicity Detection for Indic Multilingual Social Media Content [0.0]
  本稿では、emphIIIT-D Abusive Comment Identification Challengeにおいて、ShareChat/Mojが提供するデータを用いて、チーム「Moj Masti」によって提案されたシステムについて述べる。 我々は、多言語トランスフォーマーに基づく事前訓練および微調整モデルを用いて、コード混在/コード切替型分類タスクにアプローチする方法に焦点をあてる。
  論文  参考訳（メタデータ） (2022-01-03T12:01:47Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)
• An Empirical Study of In-App Advertising Issues Based on Large Scale App Review Analysis [67.58267006314415]
  われわれは,App StoreとGoogle Playの広告関連ユーザフィードバックに関する大規模分析を行った。 広告関連レビュー36,309件の統計分析から,利用者は使用中のユニーク広告数や広告表示頻度を最も気にしていることがわかった。 いくつかの広告イシュータイプは、他の広告イシューよりも開発者によって迅速に対処される。
  論文  参考訳（メタデータ） (2020-08-22T05:38:24Z)
• Writer Identification Using Microblogging Texts for Social Media Forensics [53.180678723280145]
  私たちは、文学的分析に広く使われている人気のあるスタイル的特徴と、URL、ハッシュタグ、返信、引用などの特定のTwitter機能を評価します。 我々は、様々なサイズの著者集合と、著者毎のトレーニング/テストテキストの量をテストする。
  論文  参考訳（メタデータ） (2020-07-31T00:23:18Z)
• Forensic Authorship Analysis of Microblogging Texts Using N-Grams and Stylometric Features [63.48764893706088]
  この研究は、280文字に制限されたツイートメッセージの作者を特定することを目的としている。 弊社の実験では、40名のユーザによる、ユーザ毎120から200のつぶやきを自己キャプチャしたデータベースを使っています。 この小さなセットを使った結果は有望であり、異なる特徴は92%から98.5%の分類精度を提供する。
  論文  参考訳（メタデータ） (2020-03-24T19:32:11Z)

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。