論文の概要: Modeling Human Perspectives with Socio-Demographic Representations
- arxiv url: http://arxiv.org/abs/2604.18069v1
- Date: Mon, 20 Apr 2026 10:37:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.813361
- Title: Modeling Human Perspectives with Socio-Demographic Representations
- Title（参考訳）: ソシオデモグラフィー表現を用いた人間の視点のモデル化
- Authors: Leixin Zhang, Cagri Coltekin,
- Abstract要約: 本稿では,社会デコグラフィー表現を学習しながら,アノテータの視点を共同でモデル化するソシオコントラスト学習を提案する。
本手法は,アノテータの視点を予測するために,社会デマトグラフィーの特徴とテキスト表現の融合に有効なアプローチを提供する。
- 参考スコア（独自算出の注目度）: 0.6138671548064355
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humans often hold different perspectives on the same issues. In many NLP tasks, annotation disagreement can reflect valid subjective perspectives. Modeling annotator perspectives and understanding their relationship with other human factors, such as socio-demographic attributes, have received increasing attention. Prior work typically focuses on single demographic factors or limited combinations. However, in real-world settings, annotator perspectives are shaped by complex social contexts, and finer-grained socio-demographic attributes can better explain human perspectives. In this work, we propose Socio-Contrastive Learning, a method that jointly models annotator perspectives while learning socio-demographic representations. Our method provides an effective approach for the fusion of socio-demographic features and textual representations to predict annotator perspectives, outperforming standard concatenation-based methods. The learned representations further enable analysis and visualization of how demographic factors relate to variation in annotator perspectives. Our code is available at GitHub: https://github.com/Leixin-Zhang/Socio_Contrastive_Learning
- Abstract（参考訳）: 人間は同じ問題について異なる視点を持つことが多い。
多くのNLPタスクにおいて、アノテーションの不一致は有効な主観的視点を反映することができる。
アノテータの視点をモデル化し、社会デコグラフィー属性のような他の人間的要因との関係を理解することは、ますます注目を集めている。
以前の研究は通常、単一の人口統計要因や限られた組み合わせに焦点を当てていた。
しかし、現実の環境では、アノテータの視点は複雑な社会的文脈によって形成され、よりきめ細かい社会デコグラフィーの属性は人間の視点をよりよく説明できる。
本研究では,社会デコグラフィー表現を学習しながら,アノテータの視点を共同でモデル化するソシオコントラスト学習を提案する。
本手法は,アノテータの視点を予測し,標準連結法よりも優れた社会デマトグラフィー特徴とテキスト表現の融合に有効な手法を提供する。
学習された表現により、アノテータの視点の変動と人口統計要因がどのように関連しているかの分析と可視化が可能になる。
私たちのコードはGitHubで入手できる。 https://github.com/Leixin-Zhang/Socio_Contrastive_Learning
関連論文リスト
- Beyond Demographics: Fine-tuning Large Language Models to Predict Individuals' Subjective Text Perceptions [33.76973308687867]
モデルにより,学習時の社会デマログラフィーの促進効果が向上することを示す。
このパフォーマンス向上は主に、ソシオデマトグラフィーパターンよりも、アノテータ固有の振る舞いを学ぶモデルが原因である。
全ての課題において,本研究の結果から,ソシオデマトグラフィーとアノテーションの関連性はほとんど学習されていないことが示唆された。
論文 参考訳（メタデータ） (2025-02-28T09:53:42Z) - Testing the Limits of Fine-Tuning for Improving Visual Cognition in Vision Language Models [51.58859621164201]
視覚認知タスクにおける視覚刺激と人間の判断を導入し,認知領域間でのパフォーマンスを評価する。
我々は、直感的な物理と因果推論のために、地上の真理データに基づいてモデルを微調整する。
タスク固有の微調整は、他の視覚的特徴を持つデータに対する堅牢な人間ライクな一般化に寄与しない。
論文 参考訳（メタデータ） (2025-02-21T18:58:30Z) - Perception of Visual Content: Differences Between Humans and Foundation Models [4.251488927334905]
本研究では,多様な社会経済的文脈における画像のヒト生成アノテーションとML生成アノテーションの類似性について検討した。
我々は、知覚の違いを理解し、コンテンツ解釈における潜在的なバイアスを特定することを目的としている。
論文 参考訳（メタデータ） (2024-11-28T07:37:04Z) - When Does Perceptual Alignment Benefit Vision Representations? [76.32336818860965]
視覚モデル表現と人間の知覚的判断との整合がユーザビリティに与える影響について検討する。
モデルと知覚的判断を一致させることで、多くの下流タスクで元のバックボーンを改善する表現が得られることがわかった。
その結果,人間の知覚的知識に関する帰納バイアスを視覚モデルに注入することは,より良い表現に寄与することが示唆された。
論文 参考訳（メタデータ） (2024-10-14T17:59:58Z) - How Do You Perceive My Face? Recognizing Facial Expressions in Multi-Modal Context by Modeling Mental Representations [5.895694050664867]
本稿では,単純な分類タスクを超越した新しい表情分類手法を提案する。
本モデルでは,認識された顔を正確に分類し,文脈で顔を観察する際,人間によって知覚される対応する心的表現を合成する。
本研究では,人間の心的表現の近似を効果的に生成することを示す。
論文 参考訳（メタデータ） (2024-09-04T09:32:40Z) - Decoding Visual Sentiment of Political Imagery [0.0]
本研究では,視覚的感情分類に時間差を組み込むことにより,視覚的感情分析に新たなアプローチを導入する。
我々は、異なるイデオロギーの観点から視覚的感情を予測するために、深層学習マルチタスク・マルチクラスモデルを訓練した。
論文 参考訳（メタデータ） (2024-08-07T21:44:56Z) - GRASP: A Disagreement Analysis Framework to Assess Group Associations in Perspectives [18.574420136899978]
本稿では,グループ関係を,異なるレーダサブグループ間の視点で測定するための総合的不一致分析フレームワークGRASPを提案する。
本フレームワークは,特定のタスクにおいて他と大きく異なる視点を持つ特定のレーダ群を明らかにし,特定のタスクコンテキストにおいて考慮すべき人口動態の同定を支援する。
論文 参考訳（メタデータ） (2023-11-09T00:12:21Z) - Sensitivity, Performance, Robustness: Deconstructing the Effect of
Sociodemographic Prompting [64.80538055623842]
社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。
ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
論文 参考訳（メタデータ） (2023-09-13T15:42:06Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Enhancing Social Relation Inference with Concise Interaction Graph and
Discriminative Scene Representation [56.25878966006678]
我々はtextbfSocial rtextbfElation (PRISE) における textbfPractical textbfInference のアプローチを提案する。
人の対話的特徴と全体主義的な場面の識別的特徴を簡潔に学習する。
PRISEはPIPAデータセットにおけるドメイン分類の改善を6.8$%で達成している。
論文 参考訳（メタデータ） (2021-07-30T04:20:13Z) - Quantifying Learnability and Describability of Visual Concepts Emerging
in Representation Learning [91.58529629419135]
我々は、ディープニューラルネットワークによって自動的に発見された視覚的なグルーピングを特徴付ける方法を検討する。
本稿では、任意の画像グループ化の解釈可能性の定量化に使用できる視覚的学習可能性と記述可能性という2つの概念を紹介する。
論文 参考訳（メタデータ） (2020-10-27T18:41:49Z)
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。