論文の概要: Where Does Rhetorical Distortion Live? A Multi-Platform, Multi-Language Measurement of Influencer Content

• arxiv url: http://arxiv.org/abs/2610.26412v1
• Date: Mon, 19 Oct 2026 13:47:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:03:52.004212
• Title: Where Does Rhetorical Distortion Live? A Multi-Platform, Multi-Language Measurement of Influencer Content
• Title（参考訳）: 修辞歪みはどこに生きるか? : インフルエンサー含量の多段階多言語計測
• Abstract要約: 我々は5つの文学的次元を通して修辞的歪みを演算する。 バイリンガル語彙規則が候補を提案する3層パイプラインで測定する。 プラットフォームはコンテンツカテゴリーよりもアカウントレベルの歪みに強く結びついていることがわかりました。
• 参考スコア（独自算出の注目度）: 20.50607820928054
• License:
• Abstract: Much of the manipulation in online influencer content is not false but disproportionate: an accurate fact is framed as historic, urgent, or catastrophic. Fact-checking and clickbait detection are not designed to capture such framing, and little is known about where it originates: with the creator, the topic, the platform, or the audience that replies. We operationalize rhetorical distortion through five literature-grounded dimensions (Significance Inflation, Anxiety Manufacturing, Novelty Claims, Loaded Language, and Temporal Distortion) and measure it with a three-tier pipeline in which bilingual lexical rules propose candidates, negative filters cancel known false-positive contexts, and an LLM verifies or relabels the candidates. Applying the pipeline to 13,060 posts from 330 accounts on six platforms (RSS/newsletters, YouTube, Bluesky, Reddit, Weibo, and X/Twitter), we find that platform is far more strongly associated with account-level distortion than content category (Kruskal-Wallis $\varepsilon^2=0.33$; two-way ANOVA $η_p^2=0.49$ for platform vs. $0.09$ for category). X/Twitter scores highest (DI 7.74 vs. 0.78 for RSS). Classifying tweets and their replies separately shows where this comes from: the reply layer readers see under a post (its top-5 replies) carries 3.5x the distortion of the tweet it answers (7.65 vs. 2.17, $p<10^{-6}$, 36 of 43 accounts), driven by Loaded Language. At equal text length the gap shrinks to 1.5x but remains significant, and creator tweets alone are statistically indistinguishable from YouTube and Bluesky. Two independent human annotators confirm the reply gap, and the platform ordering and the reply gap replicate with GPT-4o as a second classifier. On threaded platforms, measured distortion thus lives largely in the audience layer, which motivates measurement that separates creator and reply text.
• Abstract（参考訳）: オンラインインフルエンサーコンテンツにおける操作の多くは嘘ではなく、不公平だ。正確な事実は歴史的、緊急的、あるいは破滅的なものだ。 ファクトチェックとクリックベイト検出は、そのようなフレーミングを捉えるように設計されていない。 我々は,5つの文学的次元(重要インフレ,不安生産,ノベルティ・クレーム,負荷言語,テンポラル・ディストーション)を通して修辞的歪みを演算し,二言語的語彙規則が候補を提案し,負のフィルタが既知の偽陽性文脈をキャンセルし,LLMが候補を検証または修正する3段階のパイプラインで測定する。 6つのプラットフォーム(RSS/Newsletters、YouTube、Bluesky、Reddit、Weibo、X/Twitter)で330のアカウントから13,060の投稿をパイプラインに適用すると、プラットフォームはコンテンツカテゴリよりもアカウントレベルの歪みに強く関連している(Kruskal-Wallis $\varepsilon^2=0.33$; 双方向ANOVA $η_p^2=0.49$ for platform vs.0.09$)。 X/Twitterのスコアは最高(DI 7.74対RSS 0.78)。 返信層(トップ5の返信)は、回答するツイートの歪みを3.5倍(7.65対2.17、$p<10^{-6}$、43アカウント中36)、ロード言語によって駆動される。 テキストの長さが等しく、ギャップは1.5倍に縮まるが、依然として重要であり、クリエーターのツイートだけでも、YouTubeやBlueskyと統計的に区別がつかない。 2つの独立した人間のアノテータが応答ギャップを確認し、プラットフォーム順序付けと応答ギャップは第2の分類器としてGPT-4oで複製される。 スレッドプラットフォームでは、測定された歪みは、主にオーディエンス層に存在し、クリエーターと返信するテキストを分離する測定を動機付けます。

関連論文リスト

• Auditing Differential Visibility of Political Content on TikTok [0.0]
  いずれのトピックにおいても、中規模から大規模へのリーチ抑制の証拠は見つからない。 反対のコンテンツは、リーチを減らさずに、ビュー当たりのエンゲージメントを多く得ている。
  論文  参考訳（メタデータ） (2026-07-19T17:48:37Z)
• LLM generated responses to mitigate the impact of hate speech [1.774563970628096]
  本稿では,自動モデレーションシステムの設計について概説し,ユーザエンゲージメントを測定するための簡易な指標を提案する。 談話モデレーションのための生成AIの展開における倫理的考察と課題について論じる。
  論文  参考訳（メタデータ） (2023-11-28T16:08:42Z)
• Russo-Ukrainian War: Prediction and explanation of Twitter suspension [47.61306219245444]
  本研究は、Twitterのサスペンション機構と、これにつながる可能性のあるユーザアカウントの共有コンテンツと機能の分析に焦点を当てる。 Twitter APIを使って、980万人のユーザーから生まれた107.7万のツイートを含むデータセットを入手しました。 この結果から、Bitcoin詐欺、スパム、広告キャンペーンに対するロシアとウクライナの紛争に関するトレンドを生かした詐欺キャンペーンが明らかになった。
  論文  参考訳（メタデータ） (2023-06-06T08:41:02Z)
• BotArtist: Generic approach for bot detection in Twitter via semi-automatic machine learning pipeline [47.61306219245444]
  Twitterは、ボットや偽アカウントのターゲットとなり、偽情報や操作の拡散につながった。 本稿では,機械学習モデル開発に関わる課題に対処するために,セミオートマチック機械学習パイプライン(SAMLP)を提案する。 ユーザプロファイル機能に基づいたボット検出モデルBotArtistを開発した。
  論文  参考訳（メタデータ） (2023-05-31T09:12:35Z)
• 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)
• Predicting Hate Intensity of Twitter Conversation Threads [26.190359413890537]
  DRAGNET++は、将来、ツイートが返信チェーンを通じてもたらす憎悪の強さを予測することを目的としている。 ツイートスレッドのセマンティックな構造と伝播構造を利用して、続く各ツイートにおけるヘイトインテンシティの低下につながるコンテキスト情報を最大化する。 DRAGNET++は最先端のすべてのベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-06-16T18:51:36Z)
• Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
  本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。 また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
  論文  参考訳（メタデータ） (2021-12-08T14:12:24Z)
• News consumption and social media regulations policy [70.31753171707005]
  我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。 以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。 Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
  論文  参考訳（メタデータ） (2021-06-07T19:26:32Z)

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。