Aug, 2022

分析在线幽默评分中的性别和年龄差异

PDF
TL;DR通过分析男女和不同年龄组的幽默和冒犯评分数据，发现女性和年长评分员更容易将两个概念联系起来，更倾向于低幽默评分和高冒犯评分。研究中探讨了这些结果对计算幽默检测的影响和下游任务的启示。
computational humor detectionsubjectivityoffensegender differencesage differences
发现论文，激发创造
  • 在有毒语言检测标注中实现性别平等的目标

    研究评论标注者的人口统计数据如何影响模型的公平性，探讨男性和女性对评论进行标注的差异对造成的偏见，通过预处理训练数据、使用女性标注数据培训模型，可以减少性别偏见并提高模型准确性。

    Jun, 2021

  • D3CODE: 跨文化数据中的冒犯性检测与评估中的差异分析

    通过广泛的平行标注来考虑不同社会和文化群体的道德价值观，在跨文化数据集中揭示了标注者感知的区域差异，为构建包容性、具有文化敏感性的自然语言处理模型提供了关键见解。

    Apr, 2024

  • 解构冒犯感知：文化和道德相关性

    经过大规模的跨文化研究，我们发现不同文化背景下对冒犯性的感知存在显著差异，而个体的道德价值观在塑造这些差异方面起到了关键作用。这些认识对于我们构建适用于多元文化背景的 AI 模型至关重要，以确保它们尊重和考虑各种地理文化背景中的道德价值观。

    Dec, 2023

  • 逆向工程讽刺，或 “计算幽默论文” 尽管取得重大进展仍被接受

    本文深入探讨了讽刺新闻标题的语法和语义结构，找到了制造幽默的关键词和概念，为构建制造幽默的系统提供了新的见解。

    Jan, 2019

  • Ruddit：英文 Reddit 评论的冒犯规范

    该研究旨在创建第一个具有细粒度标签的 Reddit 评论英语数据集，该数据集使用了最佳 - 最差比较评分的方式进行注释，为社交媒体平台上自动检测冒犯性言论提供了可靠方法。

    Jun, 2021

  • 攻击性言论分类器的替代性攻击和噪声审计

    该论文从自动化方法和人工评估者两个重要角度研究社交网络内容管理，通过使用九个机器认证器在 92 百万条讨论美国政治议题的 YouTube 评论语料库上进行无声审核，介绍了一份独特的代理违法数据集，研究表明，社交媒体内容的管理具有高度主观性，并引发了关于内容管理实践的重要问题。

    Jan, 2023

  • 挑战负面性别刻板印象：自动对抗刻板印象有效性研究

    通过自动生成的针对性别刻板印象的对立刻板印象，自称为男性和女性的研究参与者评估其冒犯性、可信度和潜在有效性，并发现对立事实和扩大普遍性（即无论群体成员如何都有某种特质）的策略是最有效的对策，相比较而言，幽默、换位思考、对立例子和对发言者的同理心等策略被认为效果较差。同时，对不同目标的刻板印象而言，评级的差异更明显，而对评级者的性别差异相对较小。然而，令人震惊的是，许多通过 AI 生成的对立刻板印象被认为具有冒犯性和 / 或不可信。我们的分析和收集到的数据集为对抗在线互动中的性别刻板印象提供了基础洞察，指导未来努力开发有效挑战性别刻板印象的策略。

    Apr, 2024

  • 这个笑话是 [MASK]: 通过提示识别幽默和冒犯

    本文探究了用于幽默识别的 transfer learning 方式 ——prompting 对于 NLP 系统的有效性，并通过应用 influence functions 观察了幽默与 offense 之间的关系。实验结果表明：在低资源的幽默识别任务中，prompting 具有出色的性能表现。

    Oct, 2022

  • 系统性文献综述：幽默风格分类的计算方法

    理解各种幽默风格对于理解幽默的多面性以及其对心理学和人工智能等领域的影响至关重要。通过系统文献综述，我们调查了应用于二元幽默和讽刺识别等相关任务的计算技术的现状，揭示了它们与幽默风格分析的基本相关性，并确定了潜在的研究空白和有前景的方向。

    Jan, 2024

  • 评估单口喜剧中的幽默系数：“你认为你很搞笑？

    本文创建了一个通过标注观众的笑声来注释训练数据的幽默系数得分的新型评分机制的多模态幽默注释数据集，用于训练一个给予音频及相应文本一个五分量表中的 “有趣程度” 分数的模型，并比较了各种神经语言模型的幽默评分任务，其 QWK 准确度达到了 0.813。

    Oct, 2021