How people talk about each other: Modeling Generalized Intergroup Bias and Emotion
Diese Arbeit stellt ein neues Modell zur Vorhersage interpersonaler Gruppenbeziehungen vor, das auf feingranularen Emotionen basiert, und veröffentlicht den ersten annotierten Datensatz von Tweets US-amerikanischer Kongressabgeordneter, um eine breitere Definition von Bias zu erfassen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sitzen in einem großen, lauten Raum voller Politiker. Jeder redet über jeden. Manchmal klingen sie wie alte Freunde, die sich über ein gemeinsames Hobby austauschen. Manchmal klingen sie wie Rivalen, die sich höflich, aber kalt gegenüberstehen.
Die Forscher in diesem Papier haben sich genau das angesehen: Wie sprechen Menschen über andere, je nachdem, ob sie zur „eigenen Truppe" gehören oder zur „anderen Truppe"?
Hier ist die Geschichte der Studie, einfach erklärt:
1. Das alte Problem: Nur auf das Negative schauen
Bisher haben Computerprogramme (KIs) meistens nur nach Beleidigungen oder Hass gesucht. Das ist wie ein Sicherheitsdienst, der nur nach Dieben sucht, die etwas stehlen. Aber das Problem ist: Nicht alles, was schief läuft, ist ein Diebstahl. Manchmal ist es nur eine andere Art, miteinander umzugehen.
Die Forscher sagen: „Schauen wir uns nicht nur den Hass an, sondern die ganze Beziehung."
2. Die neue Idee: Der „Gruppen-Radar"
Die Forscher haben zwei neue Aufgaben für ihre Computer definiert:
- Aufgabe A: Der Gruppen-Radar (IGR): Ist die Person, über die gesprochen wird, ein „Freund" (gleiche Partei) oder ein „Fremder" (andere Partei)?
- Aufgabe B: Die Emotions-Lupe: Welche Gefühle stecken wirklich in den Worten? Ist es echte Bewunderung? Oder ist es verdeckter Ärger?
Ein Beispiel aus dem Papier:
Stellen Sie sich zwei Tweets vor, die beide jemanden namens „Doe" loben.
- Tweet 1 (Die eigene Truppe): „Wir stehen zu @Doe, der schlimmere Dinge ertragen hat als billige Beleidigungen von einem unsicheren Bulle." -> Klingt wie ein enger Kumpel, der sich verteidigt.
- Tweet 2 (Die fremde Truppe): „Eltern leben in ständiger Angst... Ein würdiger, überparteilicher Grund – danke @Doe für Ihre Führung." -> Klingt höflich, aber das Wort „überparteilich" verrät: „Wir sind eigentlich keine Freunde, aber ich muss dir trotzdem danken."
Ein Computer muss lernen, diesen feinen Unterschied zu hören.
3. Der Datenschatz: Ein Jahrtausend alter Twitter-Feed
Um das zu lernen, haben die Forscher Tweets von US-Kongressmitgliedern gesammelt. Das war genial, weil sie wussten:
- Wer hat getwittert? (Partei A oder B?)
- Über wen wurde getwittert? (Partei A oder B?)
Das ist wie ein natürlicher Lehrer. Sie mussten die Computer nicht mühsam lehren, wer zu welcher Partei gehört; die Daten sagten es ihnen automatisch. Das nennen die Forscher „gefundene Aufsicht" (found supervision).
Sie haben dann menschliche Prüfer gebeten, die Gefühle in diesen Tweets zu markieren. Das Ergebnis?
- Wut und Ekel kamen fast nur vor, wenn über die „andere Truppe" gesprochen wurde.
- Bewunderung und Freude gab es in beiden Gruppen, aber die Art, wie sie ausgedrückt wurden, war unterschiedlich.
4. Die Überraschung: Computer sind besser als Menschen
Das ist der spannendste Teil. Die Forscher haben menschliche Prüfer getestet, die raten sollten: „Ist das ein Freund oder ein Feind?"
- Die Menschen haben sich oft täuschen lassen. Sie dachten: „Oh, der Satz klingt positiv, also sind sie Freunde."
- Aber in der Politik kann man jemanden aus der „feindlichen" Partei loben, um höflich zu wirken (wie im Beispiel mit dem Wort „überparteilich").
Die KI-Modelle (speziell ein Modell namens BERTweet, das wie ein super-intelligenter Leser ist) waren viel besser darin, diese Muster zu erkennen. Sie haben über 10 % mehr Treffer erzielt als die Menschen.
Warum?
Die KI hat gelernt, dass bestimmte Wörter oder Satzstrukturen verraten, ob jemand zur „eigenen" oder „fremden" Gruppe gehört, auch wenn die Emotionen positiv klingen.
5. Der Trick: Zwei Aufgaben gleichzeitig lösen
Die Forscher haben einen cleveren Trick angewendet. Sie haben die KI nicht nur gelehrt, die Gruppe zu erraten, sondern sie gleichzeitig gelehrt, die Gefühle zu erkennen.
- Analogie: Stellen Sie sich vor, Sie lernen, ein Auto zu fahren. Wenn Sie gleichzeitig lernen, wie der Motor funktioniert, fahren Sie besser, als wenn Sie nur auf die Straße schauen.
- Ergebnis: Wenn die KI beides gleichzeitig lernt (Gruppe + Gefühl), wird sie in beiden Aufgaben besser. Besonders bei Wut und Ekel gegenüber der „fremden Truppe" wurde sie viel genauer.
Fazit: Was lernen wir daraus?
Diese Studie zeigt uns, dass Vorurteile (Bias) nicht nur aus Schimpfwörtern bestehen. Sie stecken in der Art und Weise, wie wir über „Uns" und „Die Anderen" sprechen.
- Für die KI: Wir müssen Modelle bauen, die nicht nur nach Hass suchen, sondern die Nuancen von Beziehungen verstehen.
- Für uns Menschen: Vielleicht sollten wir öfter darüber nachdenken, wie wir über andere sprechen. Unsere Worte verraten oft mehr über unsere Beziehung zu ihnen, als wir selbst merken.
Die Forscher haben ihre Daten und den Code veröffentlicht, damit andere diese „Gruppen-Radar"-Technologie weiterentwickeln können. Es ist ein wichtiger Schritt, um zu verstehen, wie Sprache unsere Welt teilt – oder verbindet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.