論文の概要: IRON-Meme: A Benchmark for Structured Understanding of Identities and Roles in Online Meme Narratives

• arxiv url: http://arxiv.org/abs/2610.33097v1
• Date: Thu, 22 Oct 2026 10:51:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.243567
• Title: IRON-Meme: A Benchmark for Structured Understanding of Identities and Roles in Online Meme Narratives
• Title（参考訳）: IRON-Meme: オンラインミームナラティブにおけるアイデンティティと役割の構造的理解のためのベンチマーク
• Abstract要約: IRON-Memeは、既存のベンチマークよりもはるかに多くのテンプレートにまたがる1,110の政治ミームからなるベンチマークである。 分析の結果,ほとんどのミームは軽蔑的役割を割り当てており,アイデンティティ,役割,テンプレートは体系的に相互に相互に関連していることがわかった。
• 参考スコア（独自算出の注目度）: 9.026974356721121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As polarization grows on social media, understanding how political memes shape online narratives has become increasingly important. Previous research has relied on either qualitative frameworks that are hard to scale or computational methods that lack theoretical grounding. Both approaches treat narrative categories in isolation and focus exclusively on moral portrayals of identity. To address these limitations, we introduce a framework grounded in social science theories, encompassing three categories: social identities (such as gender, politics, and ethnicity), viewpoints (ingroup and outgroup perspectives), and narrative roles (moral character, intelligence, status, and power). Building on this framework, we present IRON-Meme, a human-annotated benchmark comprising 1,110 political memes across substantially more templates than existing benchmarks. Our analysis of IRON-Meme shows that most memes assign derogatory roles and that identities, roles, and templates are systematically interconnected. Evaluation of nine vision-language models indicates that frontier-scale and reasoning models achieve the highest performance, while accuracy on social identities and narrative roles decreases for less frequent labels. Incorporating template background knowledge does not enhance narrative role classification, suggesting that meme interpretation relies on how memes are adapted for specific communicative purposes. We make IRON-Meme and our code publicly available.
• Abstract（参考訳）: ソーシャルメディア上で偏極化が進むにつれ、政治ミームがオンラインの物語をどう形成するかを理解することがますます重要になっている。 これまでの研究は、スケールが難しい定性的なフレームワークか、理論的な根拠を持たない計算手法に頼っていた。 どちらのアプローチも単独で物語のカテゴリーを扱い、アイデンティティの道徳的描写にのみ焦点をあてる。 これらの制約に対処するため、社会科学理論に基づく枠組みを導入し、社会的アイデンティティ(性別、政治、民族など)、視点(内集団と外集団の視点)、物語の役割(道徳的性格、知性、地位、権力)の3つのカテゴリを包含する。 このフレームワーク上に構築されたIRON-Memeは、既存のベンチマークよりもはるかに多くのテンプレートにまたがる1,110の政治的ミームからなる、人間による注釈付きベンチマークである。 IRON-Memeを解析したところ、ほとんどのミームは軽蔑的役割を割り当てており、アイデンティティ、役割、テンプレートは体系的に相互に相互接続していることがわかった。 9つの視覚言語モデルの評価は、フロンティアスケールと推論モデルが最も高い性能を達成し、一方で、社会的アイデンティティと物語の役割の正確さは、少ないラベルで減少することを示している。 テンプレートの背景知識を組み込むことは、物語の役割の分類を強化するものではなく、ミームの解釈は特定のコミュニケーション目的のためにミームをどのように適応させるかに依存していることを示唆している。 IRON-Memeとコードを公開しています。

関連論文リスト

• I Came, I Saw, I Explained: Benchmarking Multimodal LLMs on Figurative Meaning in Memes [53.717874073948984]
  本研究では,6種類の図形的意味を検出・説明する能力に基づいて,8種類の最先端生成型大言語モデル (MLLM) の評価を行った。 以上の結果から,すべてのモデルにおいて,そのような意味が存在しない場合でも,ミームと図形的意味を関連づけるバイアスが強いことが示唆された。
  論文  参考訳（メタデータ） (2026-03-24T14:02:48Z)
• MemeLens: Multilingual Multitask VLMs for Memes [45.8232386994625]
  ミーム理解のための多言語・説明強調視覚言語モデル(VLM)を提案する。 私たちは、38の公開ミームデータセット、データセット固有のラベルを、害、ターゲット、具体的/実用的意図、影響にまたがる20ドルのタスクの共有分類に集約します。 この結果から,ロバストなミーム理解には多モーダルな訓練が必要であり,セマンティックなカテゴリ間でかなりの差異があり,モデルが統一された環境で訓練されるのではなく,個々のデータセットに微調整された場合,過度な特殊化に敏感であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-18T19:01:03Z)
• Decoding Memes: A Comparative Study of Machine Learning Models for Template Identification [0.0]
  ミームテンプレート(meme template)は、ミームを作成するのに使用されるレイアウトまたはフォーマットである。 ミームのバイラル性に関する広範な研究にもかかわらず、ミームのテンプレートを自動的に識別する作業は依然として課題である。 本稿では,既存のmemeテンプレート識別手法の総合的な比較と評価を行う。
  論文  参考訳（メタデータ） (2024-08-15T12:52:06Z)
• XMeCap: Meme Caption Generation with Sub-Image Adaptability [53.2509590113364]
  社会的な意味や文化的な詳細に深く根ざした噂は、機械にとってユニークな挑戦である。 我々は、教師付き微調整と強化学習を採用するtextscXMeCapフレームワークを紹介した。 textscXMeCapは、シングルイメージのミームの平均評価スコアが75.85、マルチイメージのミームが66.32、それぞれ最高のベースラインが6.75%と8.56%を上回っている。
  論文  参考訳（メタデータ） (2024-07-24T10:51:46Z)
• Meme-ingful Analysis: Enhanced Understanding of Cyberbullying in Memes Through Multimodal Explanations [48.82168723932981]
  Em MultiBully-Exは、コード混在型サイバーいじめミームからマルチモーダルな説明を行うための最初のベンチマークデータセットである。 ミームの視覚的およびテキスト的説明のために,コントラスト言語-画像事前学習 (CLIP) アプローチが提案されている。
  論文  参考訳（メタデータ） (2024-01-18T11:24:30Z)
• MEMEX: Detecting Explanatory Evidence for Memes via Knowledge-Enriched Contextualization [31.209594252045566]
  本稿では,ミームと関連する文書を与えられた新しいタスクMEMEXを提案し,ミームの背景を簡潔に説明するコンテキストを掘り下げることを目的とする。 MCCをベンチマークするために,共通感覚に富んだミーム表現を用いたマルチモーダル・ニューラル・フレームワークであるMIMEと,ミームとコンテキスト間の相互モーダルなセマンティック依存関係を捉える階層的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-25T10:19:35Z)
• What do you MEME? Generating Explanations for Visual Semantic Role Labelling in Memes [42.357272117919464]
  ミームにおける視覚的意味的役割のラベル付けに関する説明を生成する新しいタスク-EXCLAIMを導入する。 この目的のために,3種類のエンティティに対する意味的役割の自然言語説明を提供する新しいデータセットであるExHVVをキュレートする。 また,EXCLAIMを最適に扱える新しいマルチモーダル・マルチタスク学習フレームワークであるLUMENを提案する。
  論文  参考訳（メタデータ） (2022-12-01T18:21:36Z)

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。