نظرسنجی: مقابله با نفرت در شبکه های اجتماعی


تصویر: شکل 1 مقاله: نمونه هایی از مکالمات توییتر (پاسخ درختان) با سخنان نفرت (قرمز) ، شمارنده (آبی) و گفتار خنثی (سفید). گره ریشه به صورت یک مربع بزرگ نشان داده می شود. چشم انداز بیشتر

اعتبار: گارلند و همکاران ، EMNLP 2020

افزایش سخنان نفرت انگیز آنلاین یک روند ناراحت کننده و رو به رشد در کشورهای جهان است ، که پیامدهای روانی جدی دارد و احتمال تأثیرگذاری و حتی کمک به خشونت در دنیای واقعی را دارد. تناقض ایجاد شده توسط شهروندان می تواند به جلوگیری از شعارهای نفرت انگیز آنلاین کمک کند ، اما کمی کردن و مطالعه آن دشوار است. تا همین اواخر ، تحقیقات محدود به تلاشهای کوچک و مشخص شده با دست بود.

مقاله جدیدی که در گزارش کنفرانس روش های تجربی در پردازش زبان طبیعی (EMNLP) در سال 2020 منتشر شده است ، چارچوبی را برای مطالعه پویایی گفتار نفرت آنلاین ارائه می دهد. این سند اولین طبقه بندی در مقیاس بزرگ از میلیون ها نوع تعامل در توییتر را ارائه می دهد. نویسندگان یک الگوریتم آموزشی برای ارزیابی داده ها از یک موقعیت منحصر به فرد در توییتر آلمان ایجاد کرده اند و یافته ها نشان می دهد که جنبش های سازمان یافته سخنرانی ضد نفرت در رسانه های اجتماعی از افراد خودساخت موثرتر است.

نویسندگان گزارش خود را “مقابله با نفرت در رسانه های اجتماعی: طبقه بندی مقیاس وسیع نفرت و گفتار علیه آنها” در سمینار سو abuse استفاده آنلاین و آسیب در 20 نوامبر 2020 ، به میزبانی مشترک EMNLP 2020

جوشوا گارلند ، ریاضی دان و عضو پیچیدگی کاربرد در انستیتوی سانتافه گفت: “من این تغییر بزرگ در گفتمان های مدنی را طی دو یا سه سال گذشته بسیار نفرت انگیزتر و قطبی تر دیده ام.” “بنابراین ، برای من یک سوال جالب این بود: وقتی شما مورد آزار و اذیت قرار می گیرید یا در حال دریافت سخنان نفرت انگیز بصورت آنلاین هستید ، جواب درست چیست؟ آیا در حال پاسخ دادن هستید؟ آیا می خواهید دوستان خود را برای محافظت از شما راهنمایی کنید؟ شما فقط شخص را مسدود می کنید؟”

برای بررسی علمی چنین موضوعاتی ، محققان ابتدا باید به انبوهی از داده های واقعی هم در مورد سخنان نفرت انگیز و هم در برابر گفتارهای متقابل و توانایی تمایز بین این دو دسترسی داشته باشند. این داده ها همچنین وجود دارد گارلند و کیان گازی-زاهدی ، همکار وی از م Maxسسه ماکس پلانک در آلمان ، وی را در یک تعامل پنج ساله که در توییتر آلمان اتفاق می افتد ، پیدا می کند: همانطور که گروهی از راست گرایان جایگزین با سخنان نفرت آمیز بر روی سکو ظاهر می شوند ، برای مقابله با آن.

میرتا گالشیچ ، دانشمند اجتماعی تیم و استاد پویایی اجتماعی در SFI توضیح می دهد: “زیبایی این دو گروه این است که آنها خود ارزیابی می کنند.” او می گوید محققانی که تناقض را مطالعه می کنند معمولاً باید صدها دانشجو را برای رمزگذاری دستی هزاران نشریه استخدام کنند. اما گارلند و گازی زاهدی موفق شدند مقالات خود را با الگوریتم یادگیری ماشین برای خودکار کردن بخشهای بزرگ طبقه بندی معرفی کنند. این تیم همچنین به 20-30 رمزگذار انسانی اعتماد کردند تا ببینند آیا طبقه بندی ماشین با شهود آنچه که به عنوان نفرت و تناقض ثبت شده مطابقت دارد یا خیر.

نتیجه ، مجموعه ای از داده ها با ابعادی بی سابقه است که به محققان اجازه می دهد نه تنها موارد منزوی نفرت و مقاومت در گفتار را تجزیه و تحلیل کنند ، بلکه تعاملات طولانی مدت بین این دو را نیز مقایسه کنند.

این تیم مجموعه ای از داده ها را در مورد میلیون ها توییت ارسال شده توسط اعضای هر دو گروه جمع آوری کرده و از این توییت های شناسایی شده برای آموزش الگوریتم طبقه بندی خود برای تشخیص نفرت و گفتار استفاده کرده است. آنها سپس الگوریتم خود را برای مطالعه پویایی حدود 200000 مکالمه بین سال های 2013 و 2018 به کار بردند. نویسندگان قصد دارند به زودی گزارش پیگیری را منتشر کنند و پویایی های الگوریتم آنها را تجزیه و تحلیل کند.

“اکنون می توانیم به مجموعه گسترده ای از داده ها از سال 2016 تا 2018 اجازه دهیم تا ببینیم سهم نفرت و تناقض در طول زمان چگونه تغییر می کند ، چه کسی لایک بیشتری می گیرد ، چه کسی بازتوییت می شود و چگونه آنها به یکدیگر پاسخ می دهند.” گالسیچ می گوید.

گارلند خاطرنشان کرد: مقدار داده ها ، یک سود بزرگ ، آنها را “فوق العاده پیچیده” می کند. محققان در حال مقایسه روش ها برای این دو گروه و پیگیری س questionsالات گسترده تری هستند ، از جمله اینکه آیا برخی از استراتژی های ضد تناقض از سایر افراد موثرتر هستند یا خیر.

گارلند می گوید: “آنچه امیدوارم این باشد كه ما بتوانیم با یك نظریه اجتماعی سختگیرانه روبرو شویم كه به مردم می گوید چگونه می توانند با یك نفرت از طریق نفرت ، مقابله كنند و قطب بندی نكنند و اینترنت را به گفتمان مدنی برگردانند.”

###

سلب مسئولیت: AAAS و EurekAlert! هیچ مسئولیتی در قبال صحت گزارشهای خبری منتشر شده در EurekAlert ندارند! از طریق موسسات کمک کننده یا استفاده از هرگونه اطلاعات از طریق سیستم EurekAlert.


منبع: kolah-news.ir

دسته‌بندی نشده

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*