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/2610.26412v2
• Date: Tue, 27 Oct 2026 16:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.319255
• 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6つのプラットフォームと2つの言語で同一に適用された1つの楽器を用いて修辞歪みを測定する。 私たちの3層パイプラインは文学的次元を検出する(重要インフレ、不安生産、ノベルティクレーム、負荷言語、時間歪み) X/Twitterでは、トップ5のリプライに回答するツイートの歪みが3.5倍(長さは1.5倍)、クリエーターのツイートだけでもYouTubeやBlueskyと区別がつかない。
• 参考スコア（独自算出の注目度）: 20.50607820928054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Much of the manipulation in influencer content is not false but disproportionate, framing accurate facts as historic, urgent, or catastrophic. Existing approaches either verify factual claims or detect clickbait and propaganda in single-platform, single-language text; however, they overlook where such framing originates, because they treat a post and the replies beneath it as one unit. To address this gap, we measure rhetorical distortion with one instrument applied identically across six platforms and two languages, classifying creator posts and their replies separately. Our three-tier pipeline detects five literature-grounded dimensions (Significance Inflation, Anxiety Manufacturing, Novelty Claims, Loaded Language, and Temporal Distortion): bilingual lexical rules propose candidates, negative filters cancel known false positives, and an LLM verifies or relabels the candidates. This design keeps labels transparent and comparable across platforms, calls the LLM on only 14% of posts, and supports validation against human annotators and a second model. On 13,060 posts from 330 accounts on RSS/newsletters, YouTube, Bluesky, Reddit, Weibo, and X/Twitter, platform is far more strongly associated with account-level distortion than content category (partial $η^2=0.49$ vs. $0.09$), and X/Twitter scores highest (DI 7.74 vs. 0.78 for RSS). On X/Twitter, the top-5 replies under a post carry 3.5x the distortion of the tweet they answer (1.5x at equal length), while creator tweets alone are indistinguishable from YouTube and Bluesky; two human annotators and GPT-4o confirm this gap. Measured distortion on threaded platforms thus lives largely in the audience layer, which calls for measuring creator and reply text separately.
• Abstract（参考訳）: インフルエンサーの内容の操作の多くは偽ではなく不公平であり、歴史的、緊急的、大惨事として正確な事実を浮き彫りにしている。 既存のアプローチでは、事実のクレームを検証したり、シングルプラットフォームの単一言語テキストでクリックベイトやプロパガンダを検知するが、投稿やその下の返信を一つのユニットとして扱うため、そのようなフレーミングの発祥地を見落としている。 このギャップを解消するために、6つのプラットフォームと2つの言語で同一に適用された1つの楽器を用いて修辞歪みを測定し、作成者投稿とその回答を別々に分類する。 私たちの3層パイプラインは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、時間歪み)を検出します。 このデザインは、プラットフォーム間で透過的で同等のラベルを保持し、わずか14%の投稿でLLMを呼び出し、人間のアノテーションと2番目のモデルに対する検証をサポートする。 RSS/Newsletters、YouTube、Bluesky、Reddit、Weibo、X/Twitterの330アカウントからの13,060の投稿では、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(Partial $η^2=0.49$ vs. $0.09$)。 X/Twitterでは、トップ5の回答は、回答するツイートの歪み(長さが1.5倍)を3.5倍にし、クリエーターのツイートはYouTubeとBlueskyと区別がつかない。 したがって、スレッドプラットフォームの歪みを測定することは、主にオーディエンス層に存在し、クリエーターと返信テキストを別々に測定することを要求する。

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。