論文の概要: Attention Asymmetry in AI Layoff Discourse on X: A Computational Analysis of Capital vs Labour Amplification
- arxiv url: http://arxiv.org/abs/2605.29367v1
- Date: Thu, 28 May 2026 05:09:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:55.750862
- Title: Attention Asymmetry in AI Layoff Discourse on X: A Computational Analysis of Capital vs Labour Amplification
- Title（参考訳）: X上のAIレイオフ談話における注意非対称性:資本対労働増幅の計算的分析
- Authors: Joy Bose,
- Abstract要約: 労働者がAIによる再構成で職を失うと、X(旧Twitter)上で2つの非常に異なる会話が同時に行われる。
この論文は、単純な質問である、どの会話がより到達できるのか?
本報告では,20名の公開アカウントから2つの収集手法と733のつぶやきを用いた3つの研究を報告する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When workers lose jobs to AI-driven restructuring, two very different conversations happen on X (formerly Twitter) at the same time. Tech executives and AI researchers talk about productivity, transformation, and opportunity. Laid-off workers and labour critics talk about job loss, uncertainty, and fear. This paper asks a simple question: which conversation gets more reach? We report three studies using two collection methods and 763 tweets from 20 named public accounts. Study 1 used keyword-based collection (n=392) and found no significant difference between corpora (p=0.891), revealing that keyword search is too noisy for this task. Study 2 used account-based collection (n=96) and found a 3.12x mean amplification advantage for capital discourse over labour discourse (p=0.000003, Cohen's d=0.555). Study 3 combined both methods (n=763) and confirmed the finding at 4.18x mean and 10.77x median amplification ratio (p<0.000001). Critically, after normalising for follower count, the asymmetry persists at 2.69x (p=0.000009, Cohen's d=0.491), demonstrating that the effect is not simply a consequence of capital accounts having larger audiences. The finding is robust across all tested amplification metric weightings. We introduce the Amplification Ratio and Amplification Normalisation Index as simple metrics for measuring platform-level discourse inequality. A cross-platform replication on Reddit (n=647 posts) did not replicate the finding, suggesting the asymmetry may be specific to X's account-based amplification architecture. We discuss the methodological implications for cross-platform discourse analysis.
- Abstract（参考訳）: 労働者がAIによる再構成で職を失うと、X(旧Twitter)上で2つの非常に異なる会話が同時に行われる。
テックエグゼクティブとAI研究者は、生産性、変革、機会について話します。
レイオフ労働者や労働評論家は失業、不確実性、恐怖について話している。
この論文は、単純な質問である、どの会話がより到達できるのか?
本報告では,20名の公開アカウントから2つの収集手法と733のつぶやきを用いた3つの研究を報告する。
研究1ではキーワードベースのコレクション (n=392) を用い, コーパス (p=0.891) の間に有意な差は認められなかった。
研究2では、会計ベースの収集(n=96)を用い、労働談話よりも資本談話に平均3.12倍の増幅効果(p=0.000003, Cohen's d=0.555)を見出した。
研究3では2つの方法(n=763)を組み合わせ、平均4.18倍、中央値10.77倍の増幅比(p<0.000001。
批判的に言えば、フォロワー数に対する正規化の後、非対称性は2.69x(p=0.000009、コーエンのd=0.491)で持続し、この効果は単に大きな観客を持つ資本口座の結果ではないことを証明している。
この発見は、試験された増幅計量重み付け全体にわたって堅牢である。
プラットフォームレベルの不等式を測定するための単純な指標として、増幅比と増幅正規化指数を導入する。
Redditのクロスプラットフォームレプリケーション(n=647の投稿)は発見を再現しなかったため、非対称性はXのアカウントベースの増幅アーキテクチャに特有のものである可能性がある。
本稿では,クロスプラットフォームの談話分析における方法論的意義について論じる。
関連論文リスト
- When Do LLM Agents Treat Surface Noise Differently from Semantic Noise? A 68-Cell Measurement Study with a Held-Out Trace-Level Validation [9.055086193088083]
10大言語モデルによって駆動されるチェーン・オブ・シンクとReActエージェントに経験的現象を記述した。
平均的な摂動は、同等の厳しさのプレゼンテーション摂動よりも、最終的な答えを頻繁に変更する。
論文 参考訳（メタデータ） (2026-05-25T15:57:11Z) - Convergence Without Understanding: When Language Models Agree on Representations but Disagree on Reasoning [8.695939803795499]
我々は,数学,科学,常識,真理にまたがる800の推論問題に対して,8つのファミリー(1.5Bから72Bパラメータ)から16の言語モデルにまたがる表現的類似性を評価する。
その結果、言語モデルにおける表現収束は、共有推論戦略よりも、共有入力処理制約を反映していることが示唆された。
論文 参考訳（メタデータ） (2026-05-22T07:32:07Z) - The Last Word Often Wins: A Format Confound in Chain-of-Thought Corruption Studies [0.0]
補正研究は、どのステップが計算上重要なのかを、ステップが破損した場合の精度損失から推定する。
ベンチマークチェーンが明確な終端応答ラインに終止符を打つと、これらのテストは中間計算を行う場所ではなく、主に空腹者の配置を計測する。
論文 参考訳（メタデータ） (2026-05-11T16:26:50Z) - Criterion Validity of LLM-as-Judge for Business Outcomes in Conversational Commerce [10.670366057920205]
対話型AIの評価には多次元対話評価が広く用いられている。
品質スコアが、彼らが提供しようとするダウンストリームの結果と結びついているかどうか、ほとんどテストされていないままです。
LLM-as-Judgeで実装した7次元評価ルーブリックを、検証されたビジネス変換に対して試験する。
論文 参考訳（メタデータ） (2026-03-11T04:47:42Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Machine Bullshit: Characterizing the Emergent Disregard for Truth in Large Language Models [57.834711966432685]
哲学者ハリー・フランクフルト(Harry Frankfurt)によって概念化されたブルシット(Bullshit)は、その真理の価値を問わない言明を指す。
本稿では,大言語モデルの真偽に対する無関心を定量化する新しい指標であるブルシット指数を紹介する。
我々は、政治的文脈で一般的な機械いじめを観察し、軽快な言葉が支配的な戦略である。
論文 参考訳（メタデータ） (2025-07-10T07:11:57Z) - DCR: Divide-and-Conquer Reasoning for Multi-choice Question Answering with LLMs [9.561022942046279]
大規模言語モデル(LLM)の推論能力を高めるため,DCR(Divide and Conquer Reasoning)を提案する。
まず、信頼性スコア(mathcalCS$)に基づいて質問を2つのサブセットに分類する。
特に,質問を信頼性スコア(mathcalCS$)に基づいて2つのサブセットに分類する。
論文 参考訳（メタデータ） (2024-01-10T14:38:46Z) - Understanding and Mitigating Spurious Correlations in Text
Classification with Neighborhood Analysis [69.07674653828565]
機械学習モデルは、トレーニングセットに存在するが一般的な状況では当てはまらない急激な相関を利用する傾向にある。
本稿では, 周辺分析と呼ばれる新しい視点から, 突発的相関がもたらす意味について考察する。
本稿では,テキスト分類における素早い相関を緩和する正規化手法であるNFL(doN't Forget your Language)を提案する。
論文 参考訳（メタデータ） (2023-05-23T03:55:50Z) - Faithful Chain-of-Thought Reasoning [51.21714389639417]
CoT(Chain-of-Thought)は言語モデル(LM)のパフォーマンスを様々な推論タスクで向上させる。
翻訳と問題解決という2つの段階を含む推論フレームワークであるFithful CoTを提案する。
このことは、推論連鎖が最終回答の忠実な説明を提供することを保証している。
論文 参考訳（メタデータ） (2023-01-31T03:04:26Z) - Deep Hierarchy in Bandits [51.22833900944146]
行動の報酬は、しばしば相関する。
統計的効率を最大化するためには,これらの相関を学習に活用することが重要である。
平均作用報酬の相関が階層的ベイズモデルで表されるこの問題のバンディット変法を定式化する。
論文 参考訳（メタデータ） (2022-02-03T08:15:53Z)
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。