Nov, 2023

关于人和文化的有争议术语在链接开放数据中的使用

PDF
TL;DR通过分析 Linked Open Data 中的争议性术语在文字中的出现频率以及是否有标记的尝试，研究了过时、贬义和滋生刻板印象的术语在描述文字中的频繁出现。发现 LOD 贡献者很少对争议性术语进行标记，研究结果可为解决通过 LOD 传播刻板印象提供更系统化的方法。
linked open datacontentious termsliteralsstereotypesknowledge graph
发现论文，激发创造
  • 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

  • 使用链接开放数据丰富维基数据

    本文尝试借助异构链接数据和语义 Web 技术，提出了一种新的方案来丰富 Wikidata 知识库，并使用 DBpedia 和 Getty 图像库作为实现案例，结果表明该方法可为 Wikidata 注入数百万条高质量的数据。

    Jul, 2022

  • 一个统一的词汇内涵特征表示

    本文探讨了语言中词汇的隐含意义，通过创建一个新的文本数据集以及利用词嵌入空间的方法解决了有限数据下立场检测的问题。

    May, 2020

  • 当涉及言语问题时：重新审视标记敏感内容的方法

    许多资源匮乏的语言需要具有高质量的特定任务数据集，例如辱骂语言检测、虚假消息或错误信息识别。本文从乌克兰推文的伪标记敏感数据的方法出发，重新审视了使用该方法的过程，重点关注俄乌战争相关主题。通过实验，突出了数据标注的三个主要阶段，并强调了机器标注过程中的主要障碍。最终，我们对获得的数据进行了基础统计分析，并对用于伪标记的模型进行了评估，提供了进一步指导，以便科学家能在不涉及标注人员的情况下利用语料库进行更高级的研究和扩展现有数据样本。

    Nov, 2023

  • DELPHI：评估 LLM 在处理有争议问题上的性能数据

    我们提出了一个具有争议性的问题数据集的构建方法，通过评估不同的大型语言模型（LLMs）在这个数据集上的表现，揭示了它们如何处理具有争议性的问题以及它们采取的立场，从而为我们提供了对 LLMs 与争议性问题的互动的理解，为改进它们对复杂社会议题的理解和处理铺平了道路。

    Oct, 2023

  • 跨语言和方言中的亲属词汇多样性

    通过两个大规模案例研究验证了一种方法，用于丰富计算词典中与语言多样性相关的内容。这种方法通过研究亲属称谓的领域，在七个阿拉伯方言和三种印度尼西亚语言中证实了多样性的存在。结果为丰富之前对亲属称谓的语言学研究提供了扩展，并揭示了即使在语言和文化上相近的社区内也存在着多样性的程度。

    Aug, 2023

  • 未经筛选的图像 - 文本数据集：揭示人口特征偏见

    我们研究了在视觉和语言模型训练中使用大型未筛选数据集的不公平表现，以及如何应对这个问题，研究发现社会偏见在图像生成、图像描述和图像文本嵌入等视觉语言任务中都是一个持续而普遍的问题。

    Apr, 2023

  • 网络有害言论的多维度识别视角：不只是仇恨

    本文介绍了一种使用多个标签注释恶意在线言论的方法，强调了注释应该是细致、准确的。作者发布了一个高质量的数据集，使用六个标签注释了超过 40,000 条有关移民的推文，在此数据集上训练模型的表现优于基准数据集。

    Oct, 2022

  • 多模态数据集：厌女、色情和恶性刻板印象

    本文报道了一个规模为 400M 的过滤了不良内容的图像 - alt 文本数据集，该数据集在生成大规模机器学习模型时可能存在的问题和潜在涉及的利益攸关者（包括 AI 社区、监管机构、政策制定者和数据主体）的问题。

    Oct, 2021

  • 如何定义有害对数据标注的影响：解释注解者如何区分令人厌恶、冒犯和有毒评论

    通过研究定义 ' 伤害 ' 的方式是否影响注释结果，我们发现研究者定义 ' 令人讨厌 '、' 冒犯 ' 和' 有害 ' 这些伤害概念时，注释员并不将它们看作同义词，且伤害定义的特征和注释员的个人特点解释了他们在使用这些术语上的差异，结果表明我们不应该将这些伤害概念在内容监控研究中互换使用，研究者应根据研究目标明确选择要分析的伤害概念，并在概念与现有有害内容检测算法识别的概念不同时提供界定结果的信息，同时鼓励算法提供者确保其工具能够适应特定上下文的内容检测目标（例如征求工具用户的反馈）。

    Sep, 2023