論文の概要: Toxicity in Twitch Chats: An LLM-Based Analysis Across Gaming Communities

• arxiv url: http://arxiv.org/abs/2605.24000v1
• Date: Mon, 18 May 2026 15:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.454309
• Title: Toxicity in Twitch Chats: An LLM-Based Analysis Across Gaming Communities
• Title（参考訳）: Twitchチャットの毒性: ゲームコミュニティ全体でのLCMベースの分析
• Authors: Ronja Fuchs, Florian Rupp, Timo Bertram, Kai Eckert, Alexander Dockhorn,
• Abstract要約: Twitchの7つのジャンルにまたがる4,452のストリームから2000万のチャットメッセージを分析します。 我々は、ゼロショット分類を用いた事前訓練された大規模言語モデルを用いて、Twitchの毒性分類に従ってメッセージを分類する。 分析の結果、全メッセージの2.4%が毒性に分類されており、ジャンルによって顕著な違いがあることがわかった。
• 参考スコア（独自算出の注目度）: 37.781069460376315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Toxicity in online gaming communities remains a persistent challenge, manifesting across genres, platforms, and player interactions. While much research is focused on in-game toxicity, less is known about how toxic behavior varies between gaming communities on streaming platforms. To address this shortcoming, we analyze approximately 20 million chat messages from 4,452 streams, spanning seven game genres on Twitch. We categorize messages according to Twitch's toxicity taxonomy with a pre-trained Large Language Model using zero-shot classification. The taxonomy comprises four categories and eight subclasses, including harassment, discrimination, sexual content, and profanity. Our approach achieves an F1 score of 94.5% on the TextDetox dataset and demonstrates human-model agreement comparable to inter-human agreement. Our analysis reveals that 2.4% of all messages are classified as toxic, with notable differences across genres: streams of MOBA games exhibit the highest relative rate of toxicity (3.2%), and sports games show the lowest rate (2%). Furthermore, results indicate that individual games differ significantly in their toxicity distributions, even within genres, suggesting the existence of game-specific community norms and mechanics that shape toxic behavior beyond genre-level effects. These findings offer empirical insights into genre- and game-specific toxicity patterns on Twitch and can inform more targeted moderation strategies for gaming communities.
• Abstract（参考訳）: オンラインゲームコミュニティにおける毒性は、ジャンル、プラットフォーム、プレイヤーの相互作用にまたがる永続的な課題である。 多くの研究はゲーム内での毒性に焦点を当てているが、ストリーミングプラットフォーム上でのゲームコミュニティ間での有害な振る舞いがどう変化するかについては、あまり知られていない。 この欠点に対処するために、Twitchの7つのジャンルにまたがる4,452のストリームから約2000万のチャットメッセージを分析した。 我々は、ゼロショット分類を用いた事前訓練された大規模言語モデルを用いて、Twitchの毒性分類に従ってメッセージを分類する。 分類学は、ハラスメント、差別、性的内容、暴言を含む4つのカテゴリーと8つのサブクラスから構成される。 提案手法は,TextDetoxデータセットのF1スコア94.5%を達成し,人間間合意に匹敵する人間モデル合意を示す。 分析の結果、全てのメッセージの2.4%が毒性に分類されており、ジャンルによって顕著な違いがあることがわかった。MOBAゲームの流れは毒性の最も高い相対率(3.2%)を示し、スポーツゲームは最も低いレート(2%)を示す。 さらに,各ゲームはジャンル内でも毒性分布において著しく異なることが示唆され,ジャンルレベルの効果を超えた有害行動を形成するゲーム固有のコミュニティ規範やメカニズムの存在が示唆された。 これらの発見はTwitchのジャンルやゲーム固有の毒性パターンに関する実証的な洞察を与え、ゲームコミュニティに対してよりターゲットを絞ったモデレーション戦略を通知する。

関連論文リスト

• Self-Anchored Attention Model for Sample-Efficient Classification of Prosocial Text Chat [44.52122332148653]
  本研究は,ゲーム内チャットにおけるソーシャル行動の発見と分類にNLP技術を適用した新しい研究である。 これは、モデレーションの焦点を単に毒性を罰することから、オンラインプラットフォームにおける積極的なポジティブな相互作用へとシフトさせるのに役立つ。
  論文  参考訳（メタデータ） (2025-06-10T21:40:54Z)
• Uncovering the Viral Nature of Toxicity in Competitive Online Video Games [0.4681661603096334]
  フリー・ツー・プレイのアクションゲーム『Call of Duty: Warzone』のプロプライエタリなデータを分析した。 選手のチームメイトが有毒なスピーチを行う確率は、平均的な選手が有毒なスピーチを行う確率の26.1倍から30.3倍になる。
  論文  参考訳（メタデータ） (2024-10-01T18:07:06Z)
• Unveiling the Implicit Toxicity in Large Language Models [77.90933074675543]
  大きな言語モデル(LLM)のオープンエンドネスと、その優れた機能を組み合わせることで、悪意のある使用のために悪用された場合、新たな安全性上の問題が発生する可能性がある。 LLMは、単純なゼロショットプロンプトによる検出が極めて困難である様々な暗黙的な有毒な出力を生成することができることを示す。 我々は,LLMの暗黙的毒性をさらに誘発する強化学習(RL)に基づく攻撃法を提案する。
  論文  参考訳（メタデータ） (2023-11-29T06:42:36Z)
• Towards Detecting Contextual Real-Time Toxicity for In-Game Chat [5.371337604556311]
  ToxBusterはスケーラブルなモデルで、チャット履歴とメタデータを含むチャットの行に対して、リアルタイムに有害なコンテンツを確実に検出する。 ToxBusterは、Rainbow Six Siege、For Honor、DOTA 2などの人気マルチプレイヤーゲームにおいて、従来の毒性モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2023-10-20T00:29:57Z)
• Analyzing Norm Violations in Live-Stream Chat [49.120561596550395]
  本研究は,ライブストリーミングプラットフォーム上での会話における規範違反を検出することを目的とした,最初のNLP研究である。 ライブストリームチャットにおける標準違反カテゴリを定義し、Twitchから4,583のコメントを注釈付けします。 以上の結果から,適切なコンテキスト情報がモデレーション性能を35%向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-18T05:58:27Z)
• In-game Toxic Language Detection: Shared Task and Attention Residuals [10.670973882076797]
  ゲーム内での有害な言語は、ゲーム産業やコミュニティにおいてホットポテトとなっている。 ゲーム内チャットの性質が極めて短いため,毒性を検出することは依然として困難である。 本稿では,実際のゲーム内チャットデータを用いて,ゲーム内有害言語共有タスクの確立について述べる。
  論文  参考訳（メタデータ） (2022-11-11T04:33:45Z)
• Annotators with Attitudes: How Annotator Beliefs And Identities Bias Toxic Language Detection [75.54119209776894]
  本研究では,アノテータのアイデンティティ(誰)と信念(なぜ)が有害な言語アノテーションに与える影響について検討する。 我々は、アンチブラック言語、アフリカ系アメリカ人の英語方言、俗語という3つの特徴を持つポストを考察する。 以上の結果から,アノテータのアイデンティティと信念と毒性評価の相関が強く示唆された。
  論文  参考訳（メタデータ） (2021-11-15T18:58:20Z)
• Mitigating Biases in Toxic Language Detection through Invariant Rationalization [70.36701068616367]
  性別、人種、方言などの属性に対するバイアスは、毒性検出のためのほとんどのトレーニングデータセットに存在する。 本稿では,論理生成器と予測器から構成されるゲーム理論フレームワークである不変合理化(InvRat)を用いて,特定の構文パターンの素早い相関を除外することを提案する。 本手法は, 語彙属性と方言属性の両方において, 従来のデバイアス法よりも低い偽陽性率を示す。
  論文  参考訳（メタデータ） (2021-06-14T08:49:52Z)

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。