論文の概要: From Detection to Characterization: A Large-Scale Study of Ragebait on Japanese X

• arxiv url: http://arxiv.org/abs/2609.02262v1
• Date: Wed, 02 Sep 2026 08:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.145362
• Title: From Detection to Characterization: A Large-Scale Study of Ragebait on Japanese X
• Title（参考訳）: 検出からキャラクタリゼーションへ:日本語XにおけるRagebaitの大規模研究
• Abstract要約: 本研究は,有効ラゲベイト検出フレームワークを開発し,大規模ラゲベイトの特徴を明らかにすることを目的とする。 大規模言語モデル (LLM) を用いてラベル付きデータセットを構築し, ラージベイト検出のための日本語モデルの訓練を行った。 我々の分析によると、ルゲバイトは政治、差別、公衆衛生、対人紛争など、政治的、社会的に論争的なトピックでより広く普及している。
• 参考スコア（独自算出の注目度）: 17.86199638121271
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ragebait refers to online content intentionally designed to provoke anger or outrage and thereby increase attention and engagement. However, reliable large-scale detection and systematic analysis of ragebait remain limited, hindering efforts to understand its prevalence, impact, and mitigation. This study aims to develop an effective ragebait detection framework and to clarify the characteristics of ragebait at scale, providing a basis for understanding and mitigating emotionally provocative content online. We constructed a labeled dataset with the assistance of a large language model (LLM) and trained several Japanese language models for ragebait detection. The resulting ensemble classifier was then applied to a large-scale dataset of Japanese-language posts on X. Our analysis shows that ragebait is more prevalent in politically and socially contentious topics, including politics, discrimination, public health, and interpersonal conflict. Ragebait posts also spread faster and receive more negative reactions than non-ragebait posts, particularly anger, fear, disgust, sadness, and surprise. These findings demonstrate the utility of the proposed detector and provide a large-scale characterization of ragebait in Japanese online discourse.
• Abstract（参考訳）: ラーゲベイト(Ragebait)は、怒りや怒りを喚起し、注意とエンゲージメントを高めるために意図的に設計されたオンラインコンテンツを指す。 しかし、ルゲバイトの信頼性の高い大規模検出と系統解析は依然として限られており、その頻度、影響、緩和の理解を妨げている。 本研究は,オンライン上での感情的挑発的コンテンツを理解・緩和するための基盤として,効果的なラージベイト検出フレームワークを開発し,大規模ラージベイトの特徴を明らかにすることを目的とする。 大規模言語モデル (LLM) を用いてラベル付きデータセットを構築し, ラージベイト検出のための日本語モデルの訓練を行った。 分析の結果,政治,差別,公衆衛生,対人対立など,政治的・社会的に論争的な話題において,ラージベイトが一般的であることが示唆された。 Ragebaitの投稿は、怒り、恐怖、嫌悪、悲しみ、驚きなど、非Ragebaitの投稿よりも早く広がり、ネガティブな反応を受ける。 これらの結果は,提案手法の有用性を示し,日本語オンライン談話におけるragebaitの大規模評価を提供する。

関連論文リスト

• Social Hatred: Efficient Multimodal Detection of Hatemongers [4.649475179575046]
  ヘイト・モンガーの検出における多モーダル・アグリゲーション・アプローチについて考察する。 ユーザーのテキストを 社会的文脈で処理すれば ヘイト・モンジャーの 検出が大幅に改善される 本手法は, コード化されたメッセージの分類, ドッグホイストリング, 人種的ガス照明の改善に有効である。
  論文  参考訳（メタデータ） (2025-06-24T13:16:21Z)
• A comprehensive cross-language framework for harmful content detection with the aid of sentiment analysis [0.356008609689971]
  この研究は、初めて、どんな言語にも適応可能な詳細なフレームワークを紹介します。 フレームワークの重要なコンポーネントは、汎用的で詳細なアノテーションガイドラインの開発である。 感情分析の統合は、有害な言語検出を強化する新しいアプローチである。
  論文  参考訳（メタデータ） (2024-03-02T17:13:47Z)
• Detection and Analysis of Offensive Online Content in Hausa Language [0.0]
  ハウサ語は、主に西アフリカで1億人以上の人々が話している主要なチャド語である。 私たちはハウサ語で最初の攻撃的用語のデータセットを作成しました。 我々の検出システムは攻撃性の70%以上を特定できたが、ベースラインモデルはしばしばその用語を誤訳した。
  論文  参考訳（メタデータ） (2023-11-17T14:08:44Z)
• Into the LAIONs Den: Investigating Hate in Multimodal Datasets [67.21783778038645]
  本稿では、LAION-400MとLAION-2Bの2つのデータセットの比較監査を通して、ヘイトフルコンテンツに対するデータセットのスケーリングの効果について検討する。 その結果、データセットのスケールによってヘイトコンテンツは12%近く増加し、質的にも定量的にも測定された。 また、画像のみに基づいて算出されたNot Safe For Work(NSFW)値に基づくデータセットの内容のフィルタリングは、アルトテキストにおける有害なコンテンツをすべて排除するものではないことがわかった。
  論文  参考訳（メタデータ） (2023-11-06T19:00:05Z)
• Lost in Translation -- Multilingual Misinformation and its Evolution [52.07628580627591]
  本稿では,95言語にまたがる25万以上のファクトチェックの分析を通じて,多言語誤報の頻度とダイナミクスについて検討する。 誤報のクレームの大部分は1回だけ事実チェックされているが、21,000件以上のクレームに対応する11.7%は複数回チェックされている。 誤情報拡散のプロキシとしてファクトチェックを用いると、言語境界を越えて繰り返し主張する主張の33%が見つかる。
  論文  参考訳（メタデータ） (2023-10-27T12:21:55Z)
• Fine-Tuning Llama 2 Large Language Models for Detecting Online Sexual Predatory Chats and Abusive Texts [2.406214748890827]
  本稿では,Llama 2 7B-パラメーターモデルを用いて,オンライン性的捕食チャットと虐待言語の検出手法を提案する。 我々は、異なる大きさ、不均衡度、言語(英語、ローマ・ウルドゥー語、ウルドゥー語)のデータセットを用いてLLMを微調整する。 実験結果から,提案手法は3つの異なるデータセットに対して精度よく一貫した性能を示す。
  論文  参考訳（メタデータ） (2023-08-28T16:18:50Z)
• Lost In Translation: Generating Adversarial Examples Robust to Round-Trip Translation [66.33340583035374]
  本研究は, ラウンドトリップ翻訳における現在のテキスト対逆攻撃の堅牢性に関する包括的研究である。 筆者らは,現在最先端のテキストベースの6つの敵攻撃が,ラウンドトリップ翻訳後の有効性を維持していないことを実証した。 本稿では,機械翻訳を逆例生成のプロセスに組み込むことにより,この問題に対する介入に基づく解決策を提案する。
  論文  参考訳（メタデータ） (2023-07-24T04:29:43Z)
• Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
  入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。 また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。 我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
  論文  参考訳（メタデータ） (2023-03-14T16:11:47Z)
• Countering Malicious Content Moderation Evasion in Online Social Networks: Simulation and Detection of Word Camouflage [64.78260098263489]
  ツイストとカモフラージュキーワードは、プラットフォームコンテンツモデレーションシステムを回避する最もよく使われるテクニックである。 本稿では,コンテンツ回避の新たな手法をシミュレートし,検出する多言語ツールを開発することにより,悪意ある情報に対する対処に大きく貢献する。
  論文  参考訳（メタデータ） (2022-12-27T16:08:49Z)
• "Stop Asian Hate!" : Refining Detection of Anti-Asian Hate Speech During the COVID-19 Pandemic [2.5227595609842206]
  新型コロナウイルス(COVID-19)のパンデミックは、アジアでのキセノフォビアと偏見の急増を加速させた。 我々は2つの実験的なアプローチを用いてTwitterのツイートのコーパスを作成して注釈付けし、反アジア人虐待とヘイトスピーチを探索する。
  論文  参考訳（メタデータ） (2021-12-04T06:55:19Z)
• 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)
• Generating Counter Narratives against Online Hate Speech: Data and Strategies [21.098614110697184]
  本稿では,憎悪に対する回答を効果的に収集する方法について検討する。 銀データ生成には GPT-2 などの大規模教師なし言語モデルを用いる。 最高のアノテーション戦略/神経アーキテクチャは、専門家のバリデーション/ポスト編集の前にデータフィルタリングに使用できる。
  論文  参考訳（メタデータ） (2020-04-08T19:35:00Z)

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。