Directed Social Regard: Surfacing Targeted Advocacy, Opposition, Aid, Harms, and Victimization in Online Media
本文提出了定向社会评价（DSR），这是一种新颖的多维度情感分析框架，利用基于 Transformer 的模型同时识别情感目标并沿三个社会评价维度对其进行评分，从而捕捉传统工具所遗漏的在线媒体中亲社会与反社会情感共存的现象。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你正穿行在一个拥挤喧闹的城镇广场。在这个广场上，人们彼此大声呼喊信息。有时，一个人会喊出一句话，其中同时交织着爱、恨、愤怒与怜悯。
例如，有人可能会大喊："他们怎么能这样对待孩子们？！"
旧的语言分析工具（如基础情感分析器）就像一支简单的温度计。它们审视整句话，然后说：“这是负面的。”仅此而已。它们忽略了细微差别。它们无法告诉你谁被憎恨、谁被怜悯，或何种行为受到谴责。
本文介绍了一种更智能的新工具，称为定向社会评价（Directed Social Regard, DSR）。请将 DSR 想象成一支配备三种不同颜色滤镜的高科技探照灯，而非一支温度计。
探照灯的三种滤镜
DSR 探照灯不再仅仅说“好”或“坏”，而是聚焦于句子中的特定词语（或“片段”），并对每个片段提出三个具体问题：
- “反对 vs. 支持”滤镜：说话者是在试图阻止这个人/事物，还是在为他们喝彩？
- 在我们的例子中：说话者正在反对“他们”，并支持“孩子们”。
- “有害 vs. 有益”滤镜：说话者认为这个人/事物是在造成伤害，还是在提供帮助？
- 在我们的例子中：“他们”以及行为“这样做”被视为有害的。
- “受害 vs. 受助”滤镜：说话者是将这个人/事物视为需要拯救的受害者，还是视为正在获得帮助的人？
- 在我们的例子中：“孩子们”被视为受害者。
工具如何运作（“大脑”与“双手”）
研究人员构建了一个两部分机器学习系统来执行此任务：
- “双手”（片段识别）：首先，系统阅读文本并像荧光笔一样运作。它找出重要部分。它将“他们”标记为角色，将“孩子们”标记为角色，将“这样做”标记为主题。它清楚地区分人物与事件。
- “大脑”（评价评分）：一旦各部分被高亮显示，“大脑”就会为每个部分在上述三种滤镜的每一种上，从 -1（强烈负面）到 +1（强烈正面）的尺度上分配一个分数。
为何这很重要（“原因”）
论文指出，这不仅仅是关于复杂的数学；它基于真实的人类心理学。
- 道德推脱：有时，人们通过说“他们罪有应得”来为伤害他人辩护。DSR 工具能够捕捉这种复杂的混合：它看到说话者将某个群体既视为“反对”对象（我们憎恨他们），又视为“有害”对象（他们是坏的），这正是人类为不良行为辩护的一种方式。
- 群体动态：它帮助我们理解群体如何谈论“我们”与“他们”。例如，在他们研究的一个数据集中（一个被称为“男性领域”的群体），工具发现说话者经常将自己视为受害者（“我/我们”），而将女性视为“有害”的一方。在另一个数据集（关于#MeToo 运动）中，工具反转了这一剧本，显示女性为“受害”者，男性为“有害”的一方。
证据（它有效吗？）
研究人员通过两种方式测试了他们的工具：
- 试驾：他们将数千条由人工标注的社交媒体帖子输入工具。工具的“高亮”准确率约为 90-96%，其“评分”与人类观点高度吻合。
- 现实检验：他们使用该工具在其他研究人员现有的数据集上运行（例如关于仇恨言论、政治运动和在线辩论的数据集）。
- 结果：工具的评分与人类专家已有的发现完全一致。例如，当一个数据集被标记为“道德义愤”时，DSR 工具正确地显示出针对该义愤目标的高“反对”分数。
核心结论
本文提出了一种倾听在线对话的新方式。DSR 工具不再仅仅让我们听到“这是一条糟糕的推文”，而是让我们听到：“这条推文在指责 A 群体伤害 B 群体，同时表达对 B 群体的深切同情。”
这是一种帮助我们理解人们在手机上打字时所表达的复杂、多层次且往往相互矛盾的情感工具。研究人员已经构建了引擎，在包含 1800 多篇帖子的庞大数据集上进行了训练，并证明其在识别谁被指责、谁被拯救以及谁被喝彩方面，优于旧有的简单方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。