💬 NLP

Directed Social Regard: Surfacing Targeted Advocacy, Opposition, Aid, Harms, and Victimization in Online Media

Dit artikel introduceert Directed Social Regard (DSR), een nieuw meerdimensionaal sentimentanalysekader dat transformer-gebaseerde modellen gebruikt om tegelijkertijd sentimentdoelen te identificeren en ze te scoren langs drie sociale-aandacht-asen, waardoor het samenbestaan van pro- en antisociale sentimenten in online media wordt vastgelegd dat door traditionele hulpmiddelen wordt gemist.

Oorspronkelijke auteurs: Scott Friedman, Ruta Wheelock, Sonja Schmer-Galunder, Drisana Iverson, Jake Vasilakes, Joan Zheng, Jeffrey Rye, Vasanth Sarathy, Christopher Miller

Gepubliceerd 2026-05-04

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Scott Friedman, Ruta Wheelock, Sonja Schmer-Galunder, Drisana Iverson, Jake Vasilakes, Joan Zheng, Jeffrey Rye, Vasanth Sarathy, Christopher Miller

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 door een drukke, lawaaierige stadsplein loopt. Op dit plein schreeuwen mensen boodschappen naar elkaar. Soms schreeuwt één persoon een zin die tegelijkertijd een mix is van liefde, haat, woede en medelijden.

Bijvoorbeeld, iemand kan roepen: "Hoe kunnen ze dit de kinderen aandoen??"

Oudere hulpmiddelen voor het analyseren van taal (zoals basisgevoelensanalyses) zijn als een eenvoudige thermometer. Ze kijken naar die hele zin en zeggen: "Dit is Negatief." Dat is alles. Ze missen de nuance. Ze vertellen je niet wie gehaat wordt, wie medelijden verdient, of welke actie wordt veroordeeld.

Dit artikel introduceert een nieuw, veel slimmer hulpmiddel genaamd Gerichte Sociale Waardering (Directed Social Regard, DSR). Denk aan DSR niet als een thermometer, maar als een hightech schijnwerper met drie verschillende gekleurde lenzen.

De Drie Lenzen van de Schijnwerper

In plaats van alleen te zeggen "Goed" of "Slecht", schijnt de DSR-schijnwerper op specifieke woorden (of "spanningen") in een zin en stelt voor elk daarvan drie specifieke vragen:

De "Verzetten vs. Voorstaan" Lens: Probeert de spreker deze persoon/ding te stoppen, of juicht hij/zij hen toe?
- In ons voorbeeld: De spreker Verzet zich tegen "hen" en Staat "de kinderen" Voor.
De "Schadelijk vs. Behulpzaam" Lens: Denkt de spreker dat deze persoon/ding schade toebrengt of hulp biedt?
- In ons voorbeeld: "Hen" en de actie "dit doen" worden gezien als Schadelijk.
De "Gedupeerd vs. Geholpen" Lens: Ziet de spreker deze persoon/ding als een slachtoffer dat gered moet worden, of als iemand die geholpen wordt?
- In ons voorbeeld: De "kinderen" worden gezien als Gedupeerd.

Hoe het Hulpmiddel Werkt (Het "Brein" en de "Handen")

De onderzoekers hebben een tweeledig machinelearning-systeem gebouwd om dit te doen:

De "Handen" (Spanherkenning): Eerst leest het systeem de tekst en fungeert het als een markeerstift. Het vindt de belangrijke delen. Het markeert "ze" als een personage, "kinderen" als een personage en "dit doen" als een onderwerp. Het weet het verschil tussen een persoon en een gebeurtenis.
Het "Brein" (Waarderingsscore): Zodra de delen gemarkeerd zijn, kiest het "Brein" een score voor elk van hen op een schaal van -1 (sterk negatief) tot +1 (sterk positief) voor elk van de drie hierboven genoemde lenzen.

Waarom Dit Belangrijk Is (Het "Waarom")

Het artikel legt uit dat dit niet alleen om geavanceerde wiskunde gaat; het is gebaseerd op echte menselijke psychologie.

Morele Ontkoppeling: Soms rechtvaardigen mensen het kwetsen van anderen door te zeggen: "Ze hadden het verdiend." Het DSR-hulpmiddel kan deze complexe mix vangen: het ziet dat de spreker een groep ziet als zowel "Verzet" (wij haten hen) als "Schadelijk" (ze zijn slecht), wat een manier is waarop mensen slecht gedrag rechtvaardigen.
Groepsdynamiek: Het helpt ons te zien hoe groepen praten over "Wij" versus "Zij". Bijvoorbeeld, in een dataset die ze bestudeerden (een groep genaamd de "Manosphere"), vond het hulpmiddel dat sprekers zichzelf vaak zagen als slachtoffers ("Ik/Wij"), terwijl ze vrouwen zagen als de "Schadelijke" partij. In een andere dataset (over de #MeToo-beweging) draaide het hulpmiddel dat scenario om, waarbij vrouwen als "Gedupeerd" en mannen als "Schadelijk" werden getoond.

Het Bewijs (Werkte het?)

De onderzoekers testten hun hulpmiddel op twee manieren:

De Proefrit: Ze voerden duizenden sociale mediaberichten in die door mensen handmatig waren gelabeld. De "markering" van het hulpmiddel was ongeveer 90-96% accuraat, en de "score" kwam zeer nauw overeen met menselijke meningen.
De Realiteitscheck: Ze namen het hulpmiddel en voerden het uit op bestaande datasets van andere onderzoekers (zoals datasets over haatzaaiende taal, politieke bewegingen en online debatten).
- Resultaat: De scores van het hulpmiddel sluiten perfect aan bij wat menselijke experts al hadden gevonden. Bijvoorbeeld, wanneer een dataset was gelabeld als "Morele Verontwaardiging", toonde het DSR-hulpmiddel correct hoge "Verzet"-scores naar de doelen van die verontwaardiging.

De Conclusie

Dit artikel presenteert een nieuwe manier om naar online gesprekken te luisteren. In plaats van alleen te horen "Dit is een slechte tweet", laat het DSR-hulpmiddel ons horen: "Deze tweet valt Groep A aan omdat ze Groep B pijn doen, terwijl er diep medelijden wordt uitgedrukt voor Groep B."

Het is een hulpmiddel dat ons helpt de complexe, gelaagde en vaak tegenstrijdige gevoelens te begrijpen die mensen uiten wanneer ze op hun telefoon typen. De onderzoekers hebben de motor gebouwd, het getraind op een enorme dataset van meer dan 1.800 berichten, en bewezen dat het beter werkt dan oudere, eenvoudigere methoden om te detecteren wie er de schuld krijgt, wie er gered wordt en wie er toegejuicht wordt.

1. Probleemstelling

Huidige Natural Language Processing (NLP)-tools voor sentimentanalyse classificeren doorgaans een hele tekst als positief, negatief of neutraal, of wijzen een enkele intensiteitsscore toe. Deze benaderingen slagen er niet in om twee kritieke complexiteiten in online media aan te pakken:

Co-existentie van Sentimenten: Een enkel bericht bevat vaak gemengde sentimenten (bijvoorbeeld het verdedigen van een slachtoffer terwijl men zich verzet tegen een dader) die verloren gaan wanneer ze worden samengevoegd tot één score.
Doelambiguïteit: Standaardtools kunnen niet identificeren naar wie of naar wat het sentiment is gericht (het doel), noch kunnen ze onderscheid maken tussen verschillende soorten sociale relaties (bijvoorbeeld: wordt het doel geholpen, benadeeld, tegengewerkt of gevictimiseerd?).

Bestaande kaders zoals Targeted Sentiment Analysis (TSA), Aspect-Based Sentiment Analysis (ABSA) en Stance Detection vereisen vaak vooraf gedefinieerde doelen, vertrouwen op categorische labels, of missen multidimensionale evaluatie. Er is behoefte aan een kader dat automatisch doelen kan extraheren en deze kan scoren langs continue, theoretisch onderbouwde dimensies van sociale waardering.

2. Methodologie: Het Directed Social Regard (DSR) Kader

De auteurs stellen Directed Social Regard (DSR) voor, een multidimensionale, meerwaardige sentimentanalysebenadering die is gebaseerd op sociale wetenschapstheorieën (specifiek Morele Ontkoppeling en Morele Framing).

A. Theoretische Dimensies

DSR definieert sentiment niet als een enkele polariteit, maar als drie onafhankelijke, bipolaire assen (variërend van -1 tot +1):

Tegengewerkt – Verdedigd: Of de auteur wenst een doel te belemmeren of te verdedigen.
Schadelijk – Behulpzaam: Of de auteur het doel beschouwt als een bron van schade of hulp voor anderen.
Gevictimiseerd – Geholpen: Of de auteur het doel ziet als door anderen benadeeld of geholpen.

Deze dimensies staan voor genuanceerde representaties toe, zoals een doel dat tegelijkertijd "Tegengewerkt" en "Schadelijk" is (wat agressie rechtvaardigt) of "Verdedigd" en "Gevictimiseerd" (wat empathie uitdrukt).

B. Dataset Constructie

Data Bronnen: De auteurs verzamelden 1.838 teksten uit acht diverse Publiek Toegankelijke Informatie (PAI) bronnen, waaronder Reddit, New York Times-commentaren, Gab, en specifieke corpora over haatzaaiende taal, de "Manosphere" en politieke gebeurtenissen (bijvoorbeeld #MeToo, Franse verkiezingen).
Annotatie: Menselijke annotatoren identificeerden spannen (aaneengesloten woordreeksen die personages of onderwerpen vertegenwoordigen) en scoorden deze op de drie DSR-assen met behulp van een schuifregelaar-interface (-1,0 tot 1,0).
Schaal: De uiteindelijke dataset bevat 13.893 spannen met 26.779 gemiddelde intensiteitsscores. De onderlinge overeenstemming tussen annotatoren (Krippendorff's $\alpha$ ) was hoog (0,71–0,91).

C. Modelarchitectuur

Het DSR-systeem maakt gebruik van een tweestaps-pijplijn op basis van transformers:

Spanherkenning (Token-classificatie):
- Gebruikt een fijngefineerde Transformer (bijvoorbeeld DeBERTa-v3) om spannen te identificeren en te classificeren als Personages (mensen/groepen) of Onderwerpen (gebeurtenissen/concepten).
- Output: Een lijst van gedetecteerde spannen met hun types.
Waarderingsscore (Intensiteit op span-niveau):
- Neemt de geïdentificeerde spannen en de volledige tekstcontext.
- Gebruikt een Transformer-encoder (DeBERTa-v3) om contextuele embeddings te genereren.
- Past een Context Pooler toe om span-vectoren te normaliseren.
- Voert vectoren door lineaire lagen om drie continue regressiescores (-1 tot 1) te voorspellen voor elke span: Tegengewerkt–Verdedigd, Schadelijk–Behulpzaam, en Gevictimiseerd–Geholpen.
- Opmerking: Het model wordt getraind met Mean Squared Error (MSE) verlies.

3. Belangrijkste Bijdragen

Nieuw Kader: Introductie van DSR, dat verder gaat dan categorisch sentiment naar continue, multidimensionale en doel-specifieke sociale waardering.
Nieuwe Dataset: Creatie van een groot-schalige, hoogwaardige geannoteerde dataset voor het trainen en evalueren van span-niveau, multidimensionale sociale sentimenten.
Theoretische Integratie: Succesvolle operationalisering van theorieën uit de sociale wetenschappen (Bandura's Morele Ontkoppeling, Brown & Levinson's Beleefdheid) in NLP-taken.
Zero-Shot Doelontdekking: In tegenstelling tot Stance Detection vereist DSR geen vooraf gespecificeerde doelen; het ontdekt automatisch opvallende spannen in de tekst.

4. Experimentele Resultaten

A. Prestaties bij Spanherkenning

Het best presterende model (DeBERTa-v3-large-mnli) behaalde een F1-score van 0,96 voor personage-spannen en 0,74 voor onderwerp-spannen onder strikte matching-criteria.
Token-niveau metrieken waren hoger (F1 ~0,92), wat aangeeft dat het model effectief de grenzen van sentimentdoelen identificeert.

B. Prestaties bij Waarderingsscore

Het scoremodel toonde een sterke correlatie met menselijke annotaties.
Tegengewerkt – Verdedigd: $R^2 = 0,85$ , RMSE = 0,20.
Gevictimiseerd – Geholpen: $R^2 = 0,67$ , RMSE = 0,10.
Schadelijk – Behulpzaam: $R^2 = 0,57$ , RMSE = 0,12.
Vergelijking: De gespecialiseerde DeBERTa-modellen presteerden aanzienlijk beter dan grote taalmodellen (LLM's) zoals Llama 3.2 (fijngefineerd via LoRA) en GPT-4o (few-shot), wat suggereert dat doelgerichte regressiemodellen effectiever zijn voor deze specifieke numerieke voorspellingstaken dan generatieve LLM's.

C. Toepassingsstudies (Validatie op Externe Datasets)

De auteurs pasten het getrainde DSR-model toe op zes externe datasets om de bruikbaarheid te valideren:

Bridging Benchmark: DSR-scores correleerden sterk met document-niveau labels. Hoge "Morele Verontwaardiging" correleerde met hoge oppositie tegen doelen van de 2e/3e persoon, terwijl "Respect" correleerde met verdediging.
Moral Foundations Twitter Corpus (MFTC): DSR-attributen kwamen overeen met de Morele Grondslagen-theorie. "Deugden" (bijvoorbeeld Zorg) correleerden met "Behulpzaam/Geholpen"-scores, terwijl "Laagheid" (bijvoorbeeld Schade) correleerde met "Schadelijk/Tegengewerkt"-scores.
Corpus Vergelijking:
- Manosphere vs. Haatzaaiende taal: Het Manosphere-corpus toonde hoge "Verdedig Jou" en "Victim|Ik/Wij" (zelf-victimisatie), terwijl het corpus met haatzaaiende taal hoge "Verdedig Schade" toonde.
- MeToo: Toonde hoge "Victim|Vrouw" en "Schadelijk|Man", wat overeenkomt met de thema's van de beweging.
- ALM vs. Baltimore: Onderkende tegenstrijdige meningen over wetshandhaving; "All Lives Matter" toonde verdediging van politie, terwijl "Baltimore"-protesten oppositie toonden.
Paarsgewijze Analyse: Het model slaagde erin micro-narratieven (bijvoorbeeld "Zij benadeelt Ons") te extraheren door gelijktijdig optredende schade/hulp-paren te visualiseren, waardoor structurele patronen in gemeenschapsdiscours werden onthuld.

5. Betekenis en Implicaties

Granulariteit: DSR biedt een gedetailleerd beeld van online discours, waarbij wordt onthuld hoe pro-sociale en anti-sociale sentimenten coëxisteren binnen enkele berichten die tot verschillende doelen zijn gericht.
Nuttigheid voor Sociale Wetenschappen: Het biedt een kwantitatief instrument voor onderzoekers om morele ontkoppeling, vorming van groepsidentiteit en de mechanismen van online radicalisering te bestuderen zonder afhankelijk te zijn van vooraf gedefinieerde trefwoorden.
Platformveiligheid: Het kader kan platforms helpen complex schadelijk inhoud (bijvoorbeeld het aanmoedigen van schade tegen een specifieke groep) te identificeren dat mogelijk wordt gemist door eenvoudige filters voor negatief sentiment.
Toekomstige Richtingen: De auteurs suggereren het gebruik van DSR voor real-time monitoring van beïnvloedingsoperaties, het begrijpen van culturele verschuivingen in morele framing, en het verbeteren van de verklaarbaarheid van AI-gestuurde contentmoderatie.

Concluderend presenteert het artikel een robuust, theoretisch onderbouwd NLP-kader dat de staat van de techniek in sentimentanalyse aanzienlijk vooruitbrengt door de richting, intensiteit en multidimensionaliteit van sociale waardering in online media te vangen.