論文の概要: In your own words: computationally identifying interpretable themes in free-text survey data
- arxiv url: http://arxiv.org/abs/2603.26930v1
- Date: Fri, 27 Mar 2026 19:12:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.696638
- Title: In your own words: computationally identifying interpretable themes in free-text survey data
- Title（参考訳）: 自由テキストサーベイデータにおける解釈可能なテーマの計算的同定
- Authors: Jenny S Wang, Aliya Saperstein, Emma Pierson,
- Abstract要約: In Your Own Wordsはフリーテキストサーベイデータの探索的分析のための計算フレームワークである。
我々は、米国の1,004人の参加者から、人種、性別、性的指向を自由テキストで記述する新しいデータセットに適用する。
我々のアプローチが学習するテーマは、調査研究に3つの実践的応用がある。
- 参考スコア（独自算出の注目度）: 3.9528725083935945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Free-text survey responses can provide nuance often missed by structured questions, but remain difficult to statistically analyze. To address this, we introduce In Your Own Words, a computational framework for exploratory analyses of free-text survey data that identifies structured, interpretable themes in free-text responses more precisely than previous computational approaches, facilitating systematic analysis. To illustrate the benefits of this approach, we apply it to a new dataset of free-text descriptions of race, gender, and sexual orientation from 1,004 U.S. participants. The themes our approach learns have three practical applications in survey research. First, the themes can suggest structured questions to add to future surveys by surfacing salient constructs -- such as belonging and identity fluidity -- that existing surveys do not capture. Second, the themes reveal heterogeneity within standardized categories, explaining additional variation in health, well-being, and identity importance. Third, the themes illuminate systematic discordance between self-identified and perceived identities, highlighting mechanisms of misrecognition that existing measures do not reflect. More broadly, our framework can be deployed in a wide range of survey settings to identify interpretable themes from free text, complementing existing qualitative methods.
- Abstract（参考訳）: 自由文サーベイ応答は、構造化された質問によってしばしば見逃されるニュアンスを提供するが、統計的に解析することは困難である。
これを解決するために、我々は、構造化された、解釈可能なテーマを従来の計算手法よりも正確に識別し、体系的な分析を容易にする自由テキストサーベイデータの探索的分析のための計算フレームワークIn Your Own Wordsを紹介した。
このアプローチの利点を説明するために、米国の1,004人の参加者による人種、性別、性的指向のフリーテキスト記述の新しいデータセットに適用する。
我々のアプローチが学習するテーマは、調査研究に3つの実践的応用がある。
まず、テーマは、既存の調査では捉えられていないような、所有物やアイデンティティの流動性といった健全な構成を克服することで、将来の調査に追加するための構造化された質問を提案することができる。
第二に、テーマは標準化されたカテゴリー内で異質性を示し、健康、幸福、アイデンティティの重要性のさらなる変化を説明する。
第三に、テーマは自己識別と認識されたアイデンティティの体系的不一致を照らし、既存の手段が反映していないという認識のメカニズムを強調している。
より広範に、我々のフレームワークは、既存の定性的手法を補完して、自由テキストから解釈可能なテーマを識別するために、幅広い調査設定で展開することができる。
関連論文リスト
- What Demands Attention in Urban Street Scenes? From Scene Understanding towards Road Safety: A Survey of Vision-driven Datasets and Studies [11.33083039877258]
この調査は、交通シナリオに注意を必要とする重要な要素を体系的に分類し、利用可能なビジョン駆動タスクとデータセットを包括的に分析する。
孤立した領域に焦点を当てた既存の調査と比較すると、我々の分類学は、注目に値する交通機関を、異常と正常だが重要な2つの主要なグループに分類している。
本調査では、35の視覚駆動タスクの分析と、提案した分類に基づく73のデータセットの総合的な検証と可視化について紹介する。
論文 参考訳（メタデータ） (2025-07-09T03:26:02Z) - Interpretable Text Embeddings and Text Similarity Explanation: A Survey [14.332308036519064]
テキスト埋め込みとテキスト類似性の説明を本質的に解釈する手法について概説する。
我々は,評価の手段を比較し,学習した教訓を整理し,最終的に今後の研究の機会と課題を明らかにする。
論文 参考訳（メタデータ） (2025-02-20T18:59:34Z) - Dataset resulting from the user study on comprehensibility of explainable AI algorithms [5.775094401949666]
本稿では、説明可能な人工知能(XAI)アルゴリズムの理解度に関するユーザ研究の結果であるデータセットを紹介する。
研究参加者は149人の候補者から募集され, 菌学領域の専門家を代表する3つのグループを結成した。
データセットの主な部分には39のインタビュー書が含まれており、参加者は、食べられるキノコと食べられないキノコを区別するために訓練された機械学習モデルの意思決定の解釈に関する一連のタスクと質問を完了するよう求められた。
論文 参考訳（メタデータ） (2024-10-21T11:37:58Z) - Qsnail: A Questionnaire Dataset for Sequential Question Generation [76.616068047362]
質問紙作成作業に特化して構築された最初のデータセットについて述べる。
我々はQsnailの実験を行い、その結果、検索モデルと従来の生成モデルが与えられた研究トピックや意図と完全に一致していないことが明らかとなった。
チェーン・オブ・シークレット・プロンプトと微調整による改善にもかかわらず、言語モデルによるアンケートは、人間の手書きのアンケートには及ばない。
論文 参考訳（メタデータ） (2024-02-22T04:14:10Z) - A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [51.26815896167173]
本稿では,3つの相補的な側面からPAMIレビューを総合的に分析する。
我々の分析は、現在のレビューの実践において、独特の組織パターンと永続的なギャップを明らかにします。
最後に、最先端のAI生成レビューの評価は、コヒーレンスと組織の進歩を奨励していることを示している。
論文 参考訳（メタデータ） (2024-02-20T11:28:50Z) - How Well Do Text Embedding Models Understand Syntax? [50.440590035493074]
テキスト埋め込みモデルが幅広い構文的文脈にまたがって一般化する能力は、まだ解明されていない。
その結果,既存のテキスト埋め込みモデルは,これらの構文的理解課題に十分対応していないことが明らかとなった。
多様な構文シナリオにおけるテキスト埋め込みモデルの一般化能力を高めるための戦略を提案する。
論文 参考訳（メタデータ） (2023-11-14T08:51:00Z) - What should I Ask: A Knowledge-driven Approach for Follow-up Questions
Generation in Conversational Surveys [63.51903260461746]
対話型調査における知識駆動型フォローアップ質問生成のための新しい課題を提案する。
そこで我々は,対話履歴とラベル付き知識を用いた人手によるフォローアップ質問の新しいデータセットを構築した。
次に,その課題に対する2段階の知識駆動モデルを提案する。
論文 参考訳（メタデータ） (2022-05-23T00:57:33Z) - Evaluating the Construct Validity of Text Embeddings with Application to
Survey Questions [5.343406649012618]
テキスト埋め込みの有効性を評価するために,古典的な構成妥当性フレームワークを提案する。
このフレームワークがテキスト埋め込みの不透明で高次元的な性質にどのように適応できるかを示す。
埋め込みは, 全く新しい質問に対する回答を予測するのに有効であることを示す。
論文 参考訳（メタデータ） (2022-02-18T12:35:46Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳（メタデータ） (2020-08-02T00:09:03Z) - Survey on Visual Sentiment Analysis [87.20223213370004]
本稿では、関連する出版物をレビューし、視覚知覚分析の分野の概要を概観する。
また,3つの視点から一般的な視覚知覚分析システムの設計原理について述べる。
様々なレベルの粒度と、異なる方法でイメージに対する感情に影響を与えるコンポーネントを考慮し、問題の定式化について論じる。
論文 参考訳（メタデータ） (2020-04-24T10:15:22Z)
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。