Jul, 2023

通过社会目标函数将民主价值观融入社交媒体人工智能

HTML
PDF
TL;DR我们介绍了一种将社会科学构建转化为人工智能目标函数的方法，并以反民主态度为例进行演示。我们利用社会科学的调查工具和质性代码簿创建了一个民主态度模型，并通过三项研究测试了该模型。研究结果表明，使用这种社会目标函数对社交媒体进行排名可以减少党派敌意，而不会损害用户体验和参与度。这种方法利用社会科学理论和方法来缓解社交媒体人工智能中的社会危害。
发现论文，激发创造
  • 社交媒体中政治关注的两种计算模型

    本文介绍了两个计算模型，一个是有监督分类器，一个是无监督主题模型，以自动区分政界人士在社交媒体上发布的内容的话题，是政治传播和社交媒体研究的有效、廉价的计算工具。

    Sep, 2019

  • 我们与他们：民粹态度、新闻偏见和情绪数据集

    本文从自然语言处理的角度对政治话语任务进行了计算建模，提出了6861个Reddit评论的新数据集Us vs.Them，并根据民粹主义态度建立了第一个大规模计算模型。该研究探讨了民粹主义心态与社会群体之间的关系，以及通常与此类态度相关的一系列情绪。通过设置两项与民粹主义态度相关的任务以及展示情感和群体识别作为辅助任务的多任务学习模型的基线，我们阐述了情感和群体识别作为辅助任务的重要性。

    Jan, 2021

  • 利用图神经网络和结构稀疏性建模极化在线群体中的意识形态突出和框架

    本研究提出了一种利用Reddit讨论区网络结构检测极化概念的最小监督方法，通过将道德心理学的见解融入到覆盖显著性和框架两个方面的极化模型中，以结构疏密学习与图神经网络相结合的架构为基础，捕捉右翼和左翼激进化等时态意识形态动态的概念和子讨论区的表征。

    Apr, 2021

  • CommunityLM: 从语言模型中探究党派世界观

    利用社区语言模型，研究政治言论语言化的分歧，通过观察群体在社交媒体中的表达，详细分析不同派别的观点，并且发现了相对于其他方法更高的对比度。

    Sep, 2022

  • 在社交媒体上检测和描述政治不文明行为

    研究了Twitter社交媒体上的政治不文明言辞，利用大数据集和群众智慧标注方法，成功进行了协议检测和语境建模，并探究了不文明言论的普遍性及其传播网络结构特征。

    May, 2023

  • 预测模型的定量分析：以在线政治偏见为视角

    本文提出了一个启发式方法来将社交媒体帖子分类为五个不同的政治倾向类别，通过在Twitter和Gab这两个具有不同政治意识形态的社交媒体数据集上利用现有时间序列预测模型，我们的工作旨在为预测社交媒体平台中的政治偏见的挑战和机会提供启示，最终要为在数字领域减轻政治偏见的负面影响开发更有效的策略铺平道路。

    Sep, 2023

  • 航向偏见之海: 通过因果结构对语言模型进行政治偏见归因

    以ChatGPT为例，本研究探讨了大型语言模型（LLMs）在感知和解释复杂社会政治环境方面的能力，特别在政治辩论中进行了上下文分析，旨在揭示LLMs在解释和裁决“好论点”时其决策过程和内在偏见。通过应用Activity Dependency Networks（ADNs）提取LLMs对这种评估的隐含标准，阐述了规范价值如何影响这些感知。讨论了我们的发现对人工智能对齐和偏见减轻的影响。

    Nov, 2023

  • 建模社交媒体帖子的政治取向：一项扩展分析

    通过使用新闻媒体偏见和帖子内容来标记社交媒体帖子的两种启发式方法，以及与随机抽取的人工标注数据集进行比较，我们展示了当前机器学习模型在预测社交媒体帖子的政治倾向方面的改进性能，采用传统的监督学习和少样本学习设置。

    Nov, 2023

  • 利用大型语言模型和逼真的机器人账号激励社交媒体平台上的新闻消费

    检验如何在真实环境中提高用户接触和参与经过验证和意识形态平衡的新闻，以增强他们对政治事务的关注和对品质新闻的认同。

    Mar, 2024

  • 从危险到可能性：探究人类（与人工智能）偏见如何影响在线论坛

    社交媒体分析是通过复杂网络分析和自然语言处理的工具来分析社交互动、用户生成的内容和偏见的现象，主要围绕在线辩论、在线支持群体和人类与人工智能的互动展开讨论，同时强调社交媒体内部的双重困境与可能性，以及人机生成内容中隐藏的人类和非人类偏见。

    Mar, 2024