論文の概要: Taming the Online Software Engineering Tongue: Detecting and Reducing Offensive Language in Software Communities

• arxiv url: http://arxiv.org/abs/2610.19961v1
• Date: Wed, 14 Oct 2026 10:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.105511
• Title: Taming the Online Software Engineering Tongue: Detecting and Reducing Offensive Language in Software Communities
• Title（参考訳）: オンラインソフトウェアエンジニアリングのトーグに挑戦する - ソフトウェアコミュニティにおける攻撃的言語の検出と削減
• Abstract要約: 本研究の主な目的は、オンラインSEコミュニティにおける攻撃的言語の普及と性質について調査することである。 我々は、コメントが攻撃的である理由をポスターに検出、分類、説明する能力を持つOffensive Language Reduction System (OLRSSE)を開発した。 OLRS-SEは,30人の被験者によるユーザスタディを用いて評価され,開発システムは使いやすく,攻撃的言語を減らすのにも有効であることが示された。
• 参考スコア（独自算出の注目度）: 2.0569660530137592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online Software Engineering (SE) communities such as Stack Overflow have become unwelcoming and hostile spaces, as evidenced by the presence of rude and offensive comments that are detrimental to the emotional wellbeing of participants. The main objective of this work is to investigate the prevalence and nature of offensive language in online SE communities, and develop approaches to classify them with the ultimate goal of reducing offensive language by proposing an Offensive Language Reduction System (OLRSSE) that has the ability to detect, classify, and explain to the poster why a comment is offensive and also propose non-offensive alternative suggestions. Using data from 130,000 user comments on discussions held in four prominent SE platforms: Stack Overflow, GitHub, Gitter and Slack, we developed six sets of twelve (72 in total) different machine learning models (both traditional and deep learning). The F1-Score of the best performing models in the system ranges from 0.56 to 0.94, with an average F1-Score of 0.85, predominantly using BERT as the primary model for various classification tasks. Also, two language-based models were developed for paraphrasing offensive to non-offensive comments. The overall utility of the OLRS-SE was evaluated using user studies with 30 participants, which showed that the developed system is easy to use and also effective in reducing offensive language. Investigating the capabilities of different large language models for offensive language reduction is a promising avenue for future research.
• Abstract（参考訳）: Stack Overflowのようなオンラインソフトウェアエンジニアリング(SE)コミュニティは、参加者の感情的幸福を損なう失礼なコメントや不快なコメントの存在によって証明されているように、歓迎され、敵対的な空間になっている。 本研究の目的は、オンラインSEコミュニティにおける攻撃的言語の有効性と性質を調査し、攻撃的言語削減システム(OLRSSE)を提案することによって、攻撃的言語を減らすという究極の目標を掲げて、攻撃的言語を分類するアプローチを開発することである。 Stack Overflow、GitHub、Gitter、Slackの4つの主要なSEプラットフォームで開催されている議論に関する13万のユーザコメントのデータを使って、6セットの12(合計72)異なる機械学習モデル(従来型とディープラーニングの両方)を開発しました。 システムにおける最高のパフォーマンスモデルのF1スコアは0.56から0.94の範囲で、平均的なF1スコアは0.85であり、主に様々な分類タスクの主要なモデルとしてBERTを使用している。 また、非攻撃的なコメントに対する攻撃的表現のための2つの言語モデルも開発された。 OLRS-SEの総合的有用性は,30人の参加者によるユーザスタディを用いて評価され,開発システムは使いやすく,攻撃的言語を減らすのにも有効であることが示唆された。 攻撃的言語削減のための様々な大規模言語モデルの能力を調べることは、将来の研究にとって有望な道である。

関連論文リスト

• A Multi-Task Benchmark for Abusive Language Detection in Low-Resource Settings [13.465169998045901]
  本研究は,Tigrinyaソーシャルメディアにおける乱用言語検出のための大規模マルチタスクベンチマークデータセットを提案する。 このデータセットは、9人のネイティブスピーカーが注釈付けした13,717のYouTubeコメントで構成され、51チャンネルで合計12億ビューの7,373のビデオから集められている。
  論文  参考訳（メタデータ） (2025-05-17T18:52:47Z)
• Hate Speech and Offensive Content Detection in Indo-Aryan Languages: A Battle of LSTM and Transformers [0.0]
  我々はベンガル語、アサメセ語、ボド語、シンハラ語、グジャラート語の5つの異なる言語でヘイトスピーチの分類を比較した。 Bert Base Multilingual Casedは、ベンガル語で0.67027得点、アサメ語で0.70525得点を達成した。 シンハラではXLM-RはF1スコア0.83493で際立っているが、グジャラティではF1スコア0.76601で照らされたカスタムLSTMベースのモデルである。
  論文  参考訳（メタデータ） (2023-12-09T20:24:00Z)
• Chain of Hindsight Aligns Language Models with Feedback [62.68665658130472]
  我々は,その極性に関係なく,任意の形式のフィードバックから学習し,最適化が容易な新しい手法であるChain of Hindsightを提案する。 我々は、あらゆる種類のフィードバックを文のシーケンスに変換し、それをモデルを微調整するために使用する。 そうすることで、モデルはフィードバックに基づいて出力を生成するように訓練され、負の属性やエラーを特定し修正する。
  論文  参考訳（メタデータ） (2023-02-06T10:28:16Z)
• No Language Left Behind: Scaling Human-Centered Machine Translation [69.28110770760506]
  低レベルの言語と高レベルの言語のパフォーマンスギャップを狭めるためのデータセットとモデルを作成します。 何千ものタスクをトレーニングしながらオーバーフィッティングに対処するために,複数のアーキテクチャとトレーニングの改善を提案する。 本モデルでは,従来の最先端技術と比較して,BLEUの44%の改善を実現している。
  論文  参考訳（メタデータ） (2022-07-11T07:33:36Z)
• muBoost: An Effective Method for Solving Indic Multilingual Text Classification Problem [0.0]
  我々はMoj上で多言語乱用コメント識別問題に対する解決策を提示している。 この問題は、13の地域インド語で虐待的なコメントを検出することに対処した。 テストデータから平均F1スコアが89.286、ベースラインMURILモデルが87.48で改善された。
  論文  参考訳（メタデータ） (2022-06-21T12:06:03Z)
• A New Generation of Perspective API: Efficient Multilingual Character-level Transformers [66.9176610388952]
  Google JigsawのAspective APIの次期バージョンの基礎を提示する。 このアプローチの中心は、単一の多言語トークンフリーなCharformerモデルである。 静的な語彙を強制することで、さまざまな設定で柔軟性が得られます。
  論文  参考訳（メタデータ） (2022-02-22T20:55:31Z)
• COLD: A Benchmark for Chinese Offensive Language Detection [54.60909500459201]
  COLDatasetは、37kの注釈付き文を持つ中国の攻撃的言語データセットである。 また、人気のある中国語モデルの出力攻撃性を研究するために、textscCOLDetectorを提案する。 我々の資源と分析は、中国のオンラインコミュニティを解毒し、生成言語モデルの安全性を評価することを目的としている。
  論文  参考訳（メタデータ） (2022-01-16T11:47:23Z)
• Coarse and Fine-Grained Hostility Detection in Hindi Posts using Fine Tuned Multilingual Embeddings [4.3012765978447565]
  敵意検出タスクは、英語のようなリソースに富む言語でよく研究されているが、Hindidueのようなリソースに制約のある言語では探索されていない。 ヒンディー語投稿における敵意検出に有効なニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-01-13T11:00:31Z)
• Kungfupanda at SemEval-2020 Task 12: BERT-Based Multi-Task Learning for Offensive Language Detection [55.445023584632175]
  我々は,マルチタスク学習とBERTモデルを組み合わせた攻撃的言語検出システムを構築した。 我々のモデルは、英語のサブタスクAで91.51%のF1スコアを獲得し、これは第1位に匹敵する。
  論文  参考訳（メタデータ） (2020-04-28T11:27:24Z)

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。