Jan, 2019

Twitter 上对女性记者和政治人物的滥用的大规模众包分析

PDF
TL;DR本文首次报道了人权活动家和机器学习家之间的合作，利用众包研究了 Twitter 上针对女性的在线虐待。通过分析来承认滥用感知的变异性，为其释放给社区研究工作做好准备。在社会影响方面，这项研究为旨在提高公众和决策者意识以及提高社交媒体公司期望标准的媒体活动提供了技术支持。
human rights activismmachine learningcrowdsourcingonline abusetwitter
发现论文，激发创造
  • Twitter 辱骂行为的大规模众包和特征化

    该研究对 Twitter 上多种形式的虐待行为进行了 8 个月的综合研究，提出了基于众包的增量迭代方法来注释大规模推文集合，最终确定了一组稳健的标签，从而在其收集和注释的 10 万条推文上展示了相关数据的发现和总结。

    Feb, 2018

  • 推特上滥用语言的比较研究

    本文研究了在 Twitter 上关于仇恨言论和辱骂的数据集，考察了不同的学习模型和额外特征的加入，并得出了使用双向 GRU 网络结合潜在主题聚类模型的最优模型，F1 得分为 0.805。

    Aug, 2018

  • 仇恨言论和辱骂语料库中的交叉偏见

    本研究通过对 Twitter 数据集进行分类，发现算法对于辱骂言论和仇恨言论的判别对非裔美国人和非裔男性的偏见较强，这提供了有关算法数据集中交叉偏见的首个系统性证据。

    May, 2020

  • Uli 数据集：基于经验驱动的 oGBV 注释练习

    在线性别暴力与互联网和社交媒体的采用同时增长。它在全球多数国家尤其严重，因为许多用户使用的社交媒体语言不是英语。由于互联网上对话的规模和数量，需要自动检测仇恨言论，尤其是性别虐待。然而，目前缺乏特定语言和语境数据来构建这样的自动化工具。本文介绍了一个关于三种语言 (印地语、泰米尔语和印度英语) 中性别虐待的数据集。该数据集包括在南亚的自称是妇女或 LGBTQIA 群体成员的专家标注的推文，涉及到性别虐待的经历的三个问题。通过这个数据集，我们展示了一种参与性的方法来创建推动 AI 系统的数据集。

    Nov, 2023

  • 对代码混合的厌女言论进行的探索性数据分析

    通过分析 YouTube 上的 Hinglish 评论数据集，实施预处理和探索性数据分析技术，从情感评分和词云等角度对该数据集的特性进行了深入了解。

    Mar, 2024

  • 在社交媒体中检测网络欺凌和网络攻击

    本研究使用机器学习算法对 Twitter 上的滥用行为进行分类，包括网络欺凌和侵略行为，并通过分析用户、网络和文本属性的差异识别出欺负和侵略者。结果表明，该算法能够以超过 90％的准确率和 AUC 分类这些账户。同时，探讨了 Twitter 标记为滥用行为的用户账户的状况，并研究了 Twitter 可能采用的用户封禁机制的效果。

    Jul, 2019

  • 面对在线滥用语言：从道德和人权角度的调查

    本文主要基于八项伦理原则，即：隐私、问责、安全、可透明、公平和非歧视、技术的人类控制、专业责任、人权的促进，回顾了基于自然语言处理（NLP）的网络滥用内容检测的研究，并提出了权利尊重的社会技术解决方案来检测和对抗线上滥用。

    Dec, 2020

  • 推特恶意语言检测的一步和两步分类

    针对社交媒体中滥用语言的检测问题，我们提出了一种两步分类的方法，并将其与一步多分类检测性别主义和种族主义语言的方法进行了比较。在英语 Twitter 语料库上的实验结果表明，我们的方法比使用逻辑回归的两步法和使用 HybridCNN 的一步法分别提高了 0.827 和 0.824 的 F-measure 性能指标。

    Jun, 2017

  • 上下文感知注意力机制：理解 Twitter 上的滥用行为

    本文旨在阐述如何使用上下文关注机制应用于长短期记忆网络，并在来自 Twitter 的多个滥用检测数据集上取得接近最先进的结果，以分析 Twitter 中的滥用行为，解决社交媒体平台被用作攻击渠道的问题。

    Sep, 2018

  • 探测推特上的攻击和欺负行为: Mean Birds

    该论文通过对推特用户的文本、用户和网络属性的提取和分析，提出了一种有效的、可扩展的方法来检测网络欺凌和攻击行为，并通过机器学习分类算法，在 1.6M 条推文上取得了 90% 以上的准确率。

    Feb, 2017