Directed Social Regard: Surfacing Targeted Advocacy, Opposition, Aid, Harms, and Victimization in Online Media
Dieser Artikel stellt die „Directed Social Regard" (DSR) vor, ein neuartiges mehrdimensionales Sentiment-Analyse-Framework, das transformer-basierte Modelle nutzt, um gleichzeitig Sentiment-Ziele zu identifizieren und sie entlang dreier sozialer Wertschätzungsachsen zu bewerten, wodurch das Nebeneinander von pro- und antisozialen Sentiments in Online-Medien erfasst wird, das von traditionellen Tools übersehen wird.
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 gehen durch einen überfüllten, lauten Stadtplatz. Auf diesem Platz schreien Menschen sich gegenseitig Nachrichten zu. Manchmal ruft eine einzelne Person einen Satz heraus, der Liebe, Hass, Wut und Mitleid zugleich enthält.
Zum Beispiel könnte jemand rufen: „Wie können sie das den Kindern antun??"
Ältere Werkzeuge zur Sprachanalyse (wie einfache Sentiment-Analysatoren) sind wie ein einfaches Thermometer. Sie betrachten den gesamten Satz und sagen: „Das ist Negativ." Das war's. Sie verpassen die Nuancen. Sie sagen Ihnen nicht, wer gehasst wird, wer bemitleidet wird oder welche Handlung verurteilt wird.
Dieser Artikel stellt ein neues, viel intelligenteres Werkzeug vor, das Directed Social Regard (DSR) genannt wird. Betrachten Sie DSR nicht als Thermometer, sondern als einen hochtechnischen Scheinwerfer mit drei verschiedenen farbigen Linsen.
Die drei Linsen des Scheinwerfers
Anstatt nur „Gut" oder „Schlecht" zu sagen, beleuchtet der DSR-Scheinwerfer bestimmte Wörter (oder „Spannen") in einem Satz und stellt für jedes davon drei spezifische Fragen:
- Die Linse „Gegen vs. Für": Versucht der Sprecher, diese Person/diese Sache zu stoppen, oder feuert er sie an?
- In unserem Beispiel: Der Sprecher wendet sich gegen „sie" und spricht sich für „die Kinder" aus.
- Die Linse „Schädlich vs. Hilfreich": Hält der Sprecher diese Person/diese Sache für schädlich oder hilfreich?
- In unserem Beispiel: „Sie" und die Handlung „das tun" werden als schädlich angesehen.
- Die Linse „Opfer vs. Geholfen": Sieht der Sprecher diese Person/diese Sache als ein Opfer, das gerettet werden muss, oder als jemanden, dem geholfen wird?
- In unserem Beispiel: Die „Kinder" werden als geopfert angesehen.
Wie das Werkzeug funktioniert (das „Gehirn" und die „Hände")
Die Forscher haben ein zweigeteiltes maschinelles Lernsystem dafür entwickelt:
- Die „Hände" (Span-Erkennung): Zuerst liest das System den Text und fungiert wie ein Textmarker. Es findet die wichtigen Teile. Es markiert „sie" als Charakter, „Kinder" als Charakter und „das tun" als Thema. Es kennt den Unterschied zwischen einer Person und einem Ereignis.
- Das „Gehirn" (Regard-Bewertung): Sobald die Teile markiert sind, weist das „Gehirn" jedem von ihnen eine Bewertung auf einer Skala von -1 (stark negativ) bis +1 (stark positiv) für jede der oben genannten drei Linsen zu.
Warum das wichtig ist (das „Warum")
Der Artikel erklärt, dass es hier nicht nur um ausgefeilte Mathematik geht; es basiert auf echter menschlicher Psychologie.
- Moralische Desengagement: Manchmal rechtfertigen Menschen, dass sie andere verletzen, indem sie sagen: „Sie haben es verdient." Das DSR-Werkzeug kann diese komplexe Mischung einfangen: Es erkennt, dass der Sprecher eine Gruppe sowohl als „Gegen" (wir hassen sie) als auch als „Schädlich" (sie sind schlecht) ansieht, was eine Art ist, wie Menschen schlechtes Verhalten rechtfertigen.
- Gruppendynamik: Es hilft uns zu verstehen, wie Gruppen über „Wir" versus „Sie" sprechen. Zum Beispiel fand das Werkzeug in einem von ihnen untersuchten Datensatz (eine Gruppe namens „Manosphere"), dass die Sprecher sich oft selbst als Opfer („Ich/Wir") sahen, während sie Frauen als die „Schädlichen" betrachteten. In einem anderen Datensatz (über die #MeToo-Bewegung) drehte das Werkzeug dieses Szenario um und zeigte Frauen als „Geopfert" und Männer als „Schädlich".
Der Beweis (Hat es funktioniert?)
Die Forscher testeten ihr Werkzeug auf zwei Arten:
- Die Probefahrt: Sie fütterten es mit Tausenden von Social-Media-Beiträgen, die von Menschen manuell gekennzeichnet wurden. Die „Markierung" des Werkzeugs war zu etwa 90–96 % genau, und seine „Bewertung" stimmte sehr eng mit menschlichen Meinungen überein.
- Der Realitätscheck: Sie nahmen das Werkzeug und führten es auf bestehenden Datensätzen anderer Forscher aus (wie Datensätzen über Hassrede, politische Bewegungen und Online-Debatten).
- Ergebnis: Die Bewertungen des Werkzeugs stimmten perfekt mit dem überein, was menschliche Experten bereits festgestellt hatten. Wenn beispielsweise ein Datensatz als „Moralische Empörung" gekennzeichnet war, zeigte das DSR-Werkzeug korrekt hohe „Gegen"-Bewertungen gegenüber den Zielen dieser Empörung.
Das Fazit
Dieser Artikel präsentiert eine neue Art, Online-Gespräche zu hören. Anstatt nur zu hören: „Das ist ein schlechter Tweet", lässt uns das DSR-Werkzeug hören: „Dieser Tweet greift Gruppe A dafür an, dass sie Gruppe B verletzt hat, und drückt gleichzeitig tiefes Mitgefühl für Gruppe B aus."
Es ist ein Werkzeug, das uns hilft, die komplexen, vielschichtigen und oft widersprüchlichen Gefühle zu verstehen, die Menschen ausdrücken, wenn sie auf ihren Handys tippen. Die Forscher haben den Motor gebaut, ihn auf einem massiven Datensatz von über 1.800 Beiträgen trainiert und bewiesen, dass er besser funktioniert als ältere, einfachere Methoden, um zu erkennen, wer beschuldigt wird, wer gerettet wird und wem Beifall gespendet wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.