論文の概要: Ben-Misandry: A Bengali Dataset and Late-Fusion Transformer Framework for Detecting Anti-Male Gender Hate

• arxiv url: http://arxiv.org/abs/2610.24474v1
• Date: Sat, 17 Oct 2026 05:42:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:43:24.663102
• Title: Ben-Misandry: A Bengali Dataset and Late-Fusion Transformer Framework for Detecting Anti-Male Gender Hate
• Title（参考訳）: Ben-Misandry: アンチメイルジェンダーヘイト検出のためのベンガルデータセットとレイトフュージョントランスフォーマフレームワーク
• Abstract要約: Ben-MisandryはBengaliの最初の誤検出データセットで、6つの分類クラスに5,000のコメントがある。 古典的なパイプライン(4つのテキスト表現の7つ)とトランスフォーマーパイプライン(BanglaBERT、XLM-RoBERTa、および2つの融合戦略)でベンチマークする。 以上の結果から,ベンガルにおけるミスアンドリー検出は,実世界のデータに対する最初の公開資源の検証として提供される合成コーパスで実現可能であり,測定可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Gender based hate speech research in Bengali has focused almost exclusively on misogyny, leaving anti male hate, or misandry, entirely unstudied for this language and creating a systematic blind spot in moderation systems trained to catch attacks on women but not on men. We introduce Ben-Misandry, the first Bengali misandry detection dataset: 5,000 comments across six taxonomy classes, including a novel category for mocking male emotional vulnerability with no direct analogue in existing misogyny taxonomies. The corpus is taxonomy-controlled synthetic data generated with GPT-4.1, spot-checked by four human reviewers on a 500-comment sample who confirmed the large majority of assigned labels; a full inter-annotator- agreement study is left to future work. We benchmark it with a classical pipeline (seven classifiers over four text representations) and a transformer pipeline (BanglaBERT, XLM-RoBERTa, and two fusion strategies). The best classical model, a linear SVM over character-level TF-IDF, reaches 91.8% accuracy; a late fusion ensemble averaging BanglaBERT and XLM-RoBERTa softmax outputs reaches 96.6% accuracy and macro ROC-AUC above 99%, nominally ahead of every single model and early fusion, though we have not run significance testing to confirm these margins are meaningful. We relate this to classifier combination theory, under which averaging encoders with decorrelated errors is expected to reduce variance, and corroborate the decision boundary with Shapley explanations that recover the same class- discriminative vocabulary found in our exploratory analysis, while noting this cannot rule out the model partly keying on synthetic-generation artifacts. Our results indicate misandry detection in Bengali is feasible and measurable on this synthetic corpus, offered as an initial public resource pending validation on real-world data.
• Abstract（参考訳）: ベンガルのジェンダー・ベースのヘイトスピーチ研究は、ほとんど悪行にのみ焦点を合わせており、反オスの憎悪、または悪行は、この言語について完全に研究されておらず、女性に対する攻撃を捕えるために訓練された抑揚システムにおいて、体系的な盲点を創り出している。 Ben-Misandry(ベン・ミサンドリー)は、ベンガル初の誤検知データセットで、6つの分類分類クラスに5,000のコメントがある。 コーパスは、GPT-4.1で生成される分類学的に制御された合成データで、4人の人間レビュアーが500個分のサンプルでチェックし、アサインされたラベルの大半を確認し、完全なアノテータ間合意研究は将来の研究に残されている。 古典的なパイプライン(4つのテキスト表現に7つの分類器)とトランスフォーマーパイプライン(BanglaBERT、XLM-RoBERTa、および2つの融合戦略)でベンチマークする。 最も優れた古典的モデル、文字レベルTF-IDF上の線形SVMは91.8%の精度に達し、BanglaBERT と XLM-RoBERTa のソフトマックス出力は96.6%の精度に達し、マクロROC-AUCは99%を超える。 このことは,デコリレーションエラーを平均化するエンコーダが分散を減少させると予想される分類器結合理論と相関し,探索解析で見いだされる同種識別語彙を復元するシャプリー説明と決定境界を相関させるとともに,合成生成アーティファクトに部分的に鍵を置くモデルを除外することはできないことを指摘する。 以上の結果から,ベンガルにおけるミスアンドリー検出は,実世界のデータに対する最初の公開資源の検証として提供される合成コーパスで実現可能であり,測定可能であることが示唆された。

関連論文リスト

• Marginal Fidelity Does Not Establish User Simulation in Demographic Synthetic Survey Panels: Response Contracts, Support Collapse and Conditioning Failure [51.736723807086385]
  人口密着協定は、個別のシミュレーションの証拠ではなく、エスカレーション契約の証拠であり、シミュレーションされた回答者なしで得られる推定値である。 9つのアライメントされたモデルバッテリペアでは、非個人個体数のクエリの平均は6.27 MAE対12.39であり、9つの比較すべてで勝利する。
  論文  参考訳（メタデータ） (2026-09-07T10:22:22Z)
• Used, Mentioned, or Condemned? A Controlled Contrast-Set Diagnostic for the Use-Mention Distinction in Code-Mixed Hinglish Misogyny Detection [0.0]
  我々はこの問題をコードミキシングされたヒングリッシュで研究する。 Hinglish-MGY-Diag, 決定論的ジェネレータ, 416-item/163-minimal-pair コントラストセット診断を行う。
  論文  参考訳（メタデータ） (2026-09-06T17:45:59Z)
• Aligned in Form, Not in Meaning: The Comprehension - Containment Decoupling of LLM Safety in Low-Resource Bangla Derogatory Speech [0.0]
  6つのプロトコルで5つの大きな言語モデルをネイティブバングラ弁論音声(ガリ)で評価する。 本稿では, 現代安全アライメントが有害な意味ではなく, 高資源表面形状に結びついていることを提案する。
  論文  参考訳（メタデータ） (2026-08-03T23:09:19Z)
• Exploring and Mitigating Gender Bias in Encoder-Based Transformer Models [0.0]
  本稿では,トランスフォーマーモデルの重要な構成要素である文脈的単語埋め込みにおけるジェンダーバイアスについて検討する。 バイアスの度合いを定量化するために,マスク付きトークンを埋めるモデル確率に基づいてバイアスを評価する新しい計量MALoRを導入する。 実験により,異なる代名詞対における性別バイアススコアの顕著な減少が示された。
  論文  参考訳（メタデータ） (2025-11-01T11:49:44Z)
• Gender Bias Mitigation for Bangla Classification Tasks [2.6285986998314783]
  バングラ語事前学習言語モデルにおける性別バイアスについて検討する。 名前と性別固有の用語を変更することで、これらのデータセットが性別バイアスを検出し緩和するのに適していることを確認した。
  論文  参考訳（メタデータ） (2024-11-16T00:04:45Z)
• GenderCARE: A Comprehensive Framework for Assessing and Reducing Gender Bias in Large Language Models [73.23743278545321]
  大規模言語モデル(LLM)は、自然言語生成において顕著な能力を示してきたが、社会的バイアスを増大させることも観察されている。 GenderCAREは、革新的な基準、バイアス評価、リダクションテクニック、評価メトリクスを含む包括的なフレームワークである。
  論文  参考訳（メタデータ） (2024-08-22T15:35:46Z)
• Paloma: A Benchmark for Evaluating Language Model Fit [112.481957296585]
  言語モデル (LM) の評価では、トレーニングから切り離されたモノリシックなデータに難易度が報告されるのが一般的である。 Paloma(Perplexity Analysis for Language Model Assessment)は、546の英語およびコードドメインに適合するLMを測定するベンチマークである。
  論文  参考訳（メタデータ） (2023-12-16T19:12:45Z)
• Counter-GAP: Counterfactual Bias Evaluation through Gendered Ambiguous Pronouns [53.62845317039185]
  バイアス測定データセットは、言語モデルのバイアスされた振る舞いを検出する上で重要な役割を果たす。 本稿では, 多様な, 自然な, 最小限のテキストペアを, 対物生成によって収集する新しい手法を提案する。 事前学習された4つの言語モデルは、各グループ内よりも、異なる性別グループ間でかなり不整合であることを示す。
  論文  参考訳（メタデータ） (2023-02-11T12:11:03Z)
• Causally Testing Gender Bias in LLMs: A Case Study on Occupational Bias [33.99768156365231]
  生成言語モデルにおけるバイアス測定のための因果的定式化を導入する。 我々はOccuGenderというベンチマークを提案し、職業性バイアスを調査するためのバイアス測定手法を提案する。 以上の結果から,これらのモデルでは職業性バイアスがかなり大きいことが示唆された。
  論文  参考訳（メタデータ） (2022-12-20T22:41:24Z)
• Towards Equal Gender Representation in the Annotations of Toxic Language Detection [6.129776019898014]
  本研究では,男女の有毒度に対するコメントの注釈方法の違いについて検討する。 BERTモデルは、男性アノテーターによる攻撃的な言葉を含む有毒なコメントを連想させ、男性によって注釈付けされたとして67.7%の有毒なコメントを予測した。 本研究では、この男女差を、攻撃的な言葉と非常に有毒なコメントをトレーニングデータから取り除くことで軽減することができることを示す。
  論文  参考訳（メタデータ） (2021-06-04T00:12:38Z)

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。