Beyond Binary Classification: Detecting Fine-Grained Sexism in Social Media Videos
Dit paper introduceert FineMuSe, een nieuw meertalig dataset en hiërarchische taxonomie voor het detecteren van fijnmazig seksisme in Spaanse socialemediavideo's, en toont aan dat multimodale LLM's concurreren met menselijke annotatoren bij het identificeren van subtiele vormen van seksisme, hoewel ze moeite hebben met het gelijktijdig detecteren van meerdere seksistische typen die via visuele cues worden overgebracht.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een enorme bibliotheek binnenloopt, gevuld met video's van TikTok, YouTube en andere sociale media. In deze bibliotheek zitten duizenden filmpjes. Sommige zijn onschuldig, maar andere bevatten sexisme: gedachten of uitspraken die mensen kleiner maken of discrimineren op basis van hun geslacht.
Het probleem is dat de "robots" (de computers die deze video's controleren) tot nu toe heel simpel hebben gedacht. Ze keken alleen naar een rood of groen licht:
- Groen: "Dit is veilig."
- Rood: "Dit is sexisme."
Maar sexisme is vaak net als een kameleon. Het verbergt zich in grappen, ironie, of subtiele hints. Een robot die alleen naar rood of groen kijkt, mist deze kameleon volledig. Hij ziet misschien een grappige video, maar niet dat de grap eigenlijk een vrouw beledigt.
Dit paper introduceert een nieuwe manier om dit aan te pakken, genaamd FineMuSe. Hier is hoe het werkt, vertaald naar alledaags taal:
1. De Nieuwe "Kleurenpalet" (Het Dataset)
De onderzoekers hebben een nieuwe verzameling video's gemaakt (828 stuks) in het Spaans. Maar ze hebben niet alleen gekeken of iets "slecht" is. Ze hebben een kleurenpalet ontwikkeld om de soort van sexisme te onderscheiden.
Stel je voor dat sexisme geen enkelvoudige vlek is, maar een schilderij met verschillende lagen:
- Stereotypen: "Vrouwen zijn nu eenmaal beter in koken, mannen in autorijden." (Het vastzetten van rollen).
- Ontkenning: "Er is geen ongelijkheid meer, vrouwen zijn gewoon lui." (Het ontkennen van het probleem).
- Discriminatie: "Transmensen bestaan niet" of "Homoseksuelen horen niet hier." (Aanvallen op identiteit).
- Objectificatie: Vrouwen behandelen als een object, een ding om te veroveren of waar alleen naar gekeken wordt.
Daarnaast hebben ze ook gekeken naar ironie en humor. Soms wordt iets gezegd alsof het grappig is, maar is het eigenlijk giftig. Of juist andersom: iemand maakt een grapje om tegen sexisme te vechten. De oude robots zagen dit niet; deze nieuwe methode probeert het onderscheid te maken.
2. De "Super-robots" (LLMs)
De onderzoekers hebben de nieuwste en slimste computers (Large Language Models, of LLMs) getest. Je kunt deze zien als superlezers die niet alleen tekst kunnen lezen, maar ook naar de video kijken en naar de geluiden luisteren.
- De oude robots keken alleen naar de tekst.
- De nieuwe robots kijken naar het hele plaatje: wat wordt er gezegd, hoe klinkt het, en wat zie je in de video?
Het resultaat?
Deze super-robots zijn verrassend goed in het vinden van de subtiele sexisme. Ze doen bijna net zo goed mee als menselijke experts. Ze kunnen bijvoorbeeld zien dat iemand zegt: "Oh, vrouwen zijn zo emotioneel," terwijl ze in de video een vrouw zien die boos is omdat ze ontslagen is. De robot snapt dat dit een combinatie is van een stereotype en een onrechtvaardige situatie.
Maar er is een haken en oogje:
De robots hebben nog steeds moeite met visuele hints. Als iemand in de video een vrouw behandelt alsof ze een object is (bijvoorbeeld door alleen op haar lichaam te focussen zonder dat er woorden worden gesproken), dan snappen de robots dit soms niet. Ze missen de "stille boodschap" van de beelden.
3. De "Vertalers" (Uitleggen waarom)
Een ander belangrijk deel van het onderzoek was: Kunnen deze robots ook uitleggen waarom ze iets als sexistisch bestempelen?
Stel je voor dat een robot een video blokkeert. Als hij alleen zegt "Rood! Gevaar!", is dat niet genoeg. Mensen willen weten: "Waarom?"
De onderzoekers hebben gekeken of de robots goede uitleggen konden geven. Ze bleken verrassend goed te zijn! Ze konden net als een mens uitleggen: "Dit is sexisme omdat de spreker vrouwen als objecten beschouwt en niet als mensen."
Waarom is dit belangrijk?
Vroeger was het alsof we probeerden een complex schilderij te beschrijven met alleen de woorden "mooi" of "lelijk". Nu hebben we een nieuwe tool die het schilderij kan beschouwen en zeggen: "Kijk, hier zie je een subtiele hint van vooroordeel, en hier een grapje dat eigenlijk pijnlijk is."
Dit helpt niet alleen om haat op sociale media te bestrijden, maar ook om te begrijpen hoe sexisme werkt. Het maakt de robots slimmer, transparanter en betrouwbaarder, zodat ze niet alleen "rood" of "groen" schreeuwen, maar echt begrijpen wat er gebeurt in de digitale wereld.
Kort samengevat:
De onderzoekers hebben een nieuwe "bril" gemaakt (de dataset en de methode) waarmee we kunnen zien dat sexisme veel meer vormen heeft dan alleen maar schreeuwen. De slimste computers die we hebben, kunnen nu door die bril kijken en veel van die vormen zien, maar ze moeten nog leren om de "stille" boodschappen in de beelden zelf volledig te begrijpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.