Uplifting Lower-Income Data: Strategies for Socioeconomic Perspective Shifts in Large Multi-modal Models
University of Michigan（密歇根大学）
针对大型多模态模型因训练数据中社会经济群体不平等表征而产生的偏见，提出利用非英语、地理和社会经济属性的提示策略，有效提升模型在低收入数据上的性能并分析了最佳改进情境。
2024-10-14 cs.AI cs.CL cs.CV
Understanding Intrinsic Socioeconomic Biases in Large Language Models
HEC Montreal（蒙特利尔高等商学院）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）
本研究通过百万级英文句子数据集，系统量化了LLMs中的人口统计与社会经济偏见，发现交叉性显著放大偏见，并强调需主动缓解以保障公平决策。
2024-05-28 cs.CL cs.CY cs.LG
Leveraging Social Media Data to Identify Factors Influencing Public Attitude Towards Accessibility, Socioeconomic Disparity and Public Transportation
University of Oklahoma（俄克拉荷马大学）；Howard University（霍华德大学）
本研究利用纽约市36,098条推文，通过自然语言处理和数据融合技术，识别出性别、种族、就业及环境风险等因素显著影响公众对交通无障碍性和社会经济差距的讨论倾向，并提出补贴互联网以促进弱势群体发声。
2024-01-22 cs.CL cs.CY cs.SI
COVID-19 Twitter Dataset with Latent Topics, Sentiments and Emotions Attributes
本文描述了一个关于人们在Twitter平台上对COVID-19大流行的话语和反应的大型全球数据集。自2020年1月28日至2022年6月1日，我们收集并处理了超过2900万名独立用户使用四个关键词“corona”、“wuhan”、“nCov”和“covid”发布的超过2. 52亿条Twitter帖子。利用概率主题建模和预先训练的基于机器学习的情感识别算法，我们用17个属性标记每条推文，包括a）10个二进制属性，指示推文与前10个检测到的主题的相关性（1）或不相关性（0），b）5个定量情感属性，指示效价或情感的强度程度（从0：极度消极到1：极度积极）和恐惧、愤怒、悲伤和快乐情绪的强度程度（从0：完全没有到1：非常强烈），以及c）指示情绪的两个分类属性（非常消极，消极，中性或混合，积极，非常积极）和主要情绪（恐惧，愤怒，悲伤，快乐，没有具体的情绪）。我们讨论的技术有效性，并报告这些属性的描述性统计，其时间分布和地理代表性。本文最后讨论了数据集在通信，心理学，公共卫生，经济学和流行病学中的使用。
2022-06-25 cs.CL cs.IR
The Secret Lives of Names? Name Embeddings from Social Media
Stony Brook University（石溪大学）
你的名字透露了很多关于你的信息：你的性别，种族等等。事实证明，名字嵌入比传统的子串特征更有效地表示名字。然而，我们之前的名字嵌入模型是在私人电子邮件数据上训练的，并且不能公开访问。在本文中，我们探索从公共Twitter数据中学习名称嵌入。我们认为，Twitter嵌入有两个关键的优势：\textit{(i)}，他们可以并将公开发布，以支持研究社区。\textit{(ii)}即使使用较小的训练语料库，与电子邮件嵌入相比，Twitter嵌入在多个任务上也实现了类似的性能。作为一个测试案例，以显示名称嵌入的力量，我们调查寿命的建模。我们发现有趣的是，添加名称嵌入可以进一步提高使用人口统计特征的模型的性能，这些特征传统上用于寿命建模。通过残差分析，我们观察到细粒度的群体（可能反映社会经济地位）是编码在名称嵌入中的潜在贡献因素。这些以前隐藏在人口模型中，可能有助于提高广泛的研究的预测能力。
2019-05-12 cs.CL cs.SI
Multilingual Twitter Corpus and Baselines for Evaluating Demographic Bias in Hate Speech Recognition
Adobe Research（奥多比研究院）
现有的文献分类模型的公平性评价研究主要是使用合成的单语数据，没有地面真理的作者人口统计属性。在这项工作中，我们组装并发布了一个多语言的Twitter语料库的仇恨言论检测的任务推断四个作者的人口统计因素：年龄，国家，性别和种族/民族。语料库涵盖五种语言：英语、意大利语、波兰语、葡萄牙语和西班牙语。我们使用众包平台评估推断的人口统计标签，图8。为了检验可能导致偏见的因素，我们对英语语料库进行了人口预测性的实证分析。我们测量四个流行的文档分类器的性能，并评估的公平性和偏见的基线分类器上的作者级的人口统计属性。
2020-03-03 cs.CL
SocioEval: A Template-Based Framework for Evaluating Socioeconomic Status Bias in Foundation Models
本文提出SocioEval框架，通过决策任务系统评估基础模型中的社会经济偏见，发现不同主题的偏见程度差异显著，部署防护措施能有效防止显性歧视但易受领域特定刻板印象影响。
2026-04-03 cs.CL
Characterizing Interconnections and Linguistic Patterns in Twitter
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
社交媒体被认为是一个民主的空间，人们在其中相互联系和互动，而不管他们的性别，种族或任何其他人口统计学方面。尽管许多人努力探索社交媒体中的人口统计学方面，但仍不清楚社交媒体是否会延续线下世界的旧不平等。在这篇论文中，我们尝试使用Face++中先进的图像处理算法来识别位于美国的Twitter用户的性别和种族。我们调查了不同的人口群体如何相互联系，并在语言风格和他们的兴趣方面区分他们。我们量化了一个群体在多大程度上相互关注和互动，以及这些联系和互动在多大程度上反映了Twitter中的不平等。我们还提取语言特征，从六个类别（情感属性，认知属性，词汇密度和意识，时间参考，社会和个人的关注，以及人际焦点），以确定他们在Twitter上分享的消息的相似性和差异。此外，我们提取了人口统计组之间的顶级短语的绝对排名差异。作为多样性的一个维度，我们使用我们从每个用户那里检索到的感兴趣的主题。我们的分析表明，在Twitter上，被识别为白人和男性的用户往往在追随者数量和在另一个用户列表中的次数方面获得更高的位置。在性别和种族领域以及感兴趣的主题方面，不同人口群体的写作方式存在明显差异。我们希望我们的努力能够促进在线空间人口统计信息新理论的发展。最后，我们开发了一个基于Web的系统，利用用户的人口统计方面提供透明度的Twitter趋势主题系统。
2018-03-30 cs.CL cs.SI
Understanding and Measuring Psychological Stress using Social Media
University of Pennsylvania（宾夕法尼亚大学）；Nanyang Technological University（南洋理工大学）
大量文献表明，用户的心理健康状况，如抑郁和焦虑，可以从他们的社交媒体语言中预测。对于心理压力如何在社交媒体上表达的科学理解仍然存在差距。压力是慢性身体疾病和心理健康状况的主要潜在原因之一。在本文中，我们使用601名社交媒体用户的数据集来探索心理压力的语言，这些用户回答了感知压力量表问卷，并同意分享他们的Facebook和Twitter数据。首先，我们发现，与没有压力的用户发布的关于早餐，家庭时间和旅行的帖子相比，有压力的用户发布的关于疲惫，失去控制，自我关注增加和身体疼痛的帖子。其次，我们发现Facebook语言比Twitter语言更能预测压力。第三，我们展示了如何开发的语言为基础的模型可以适应和衡量县级趋势。由于县一级的语言是很容易在Twitter上使用流API，我们探索多个领域自适应算法，以适应用户级的Facebook模型的Twitter语言。我们发现，基于领域适应和缩放的社交媒体压力测量优于社会人口变量（年龄，性别，种族，教育和收入），而不是基于地面实况调查的压力测量，无论是在用户和美国县一级的Twitter语言中，压力得分较高也预示着健康状况较差，设施较少，社会经济地位较低。最后，我们讨论了使用社交媒体作为监测个人和国家压力水平的新工具的影响。
2019-04-04 cs.CL cs.CY
Classist Tools: Social Class Correlates with Performance in NLP
MilaNLP（米拉NLP）；Bocconi University（博科尼大学）；Instituto de Telecomunicações（电信研究所）；University of Artificial Intelligence（人工智能大学）
该研究通过标注含9.5万条电影台词的多维度语料库，实证发现NLP系统在三项任务中对低社会经济地位等边缘群体存在性能差异，提出语言技术需纳入社会阶层因素以保障公平。
2024-03-07 cs.CL
Self-harm: detection and support on Twitter
University of Strathclyde（思克莱德大学）；Federal University Dutse（杜采联邦大学）；Bayero University Kano（巴耶罗大学卡诺分校）
自从Twitter和Facebook等在线社交媒体平台出现以来，利用在线参与者发布的信息进行了有益的健康相关研究。与心理健康、自我伤害和抑郁症等个人健康相关的问题已经得到了研究，因为用户经常在这些平台上分享他们的故事。在线用户诉诸分享，因为来自在线社区的同情和支持对于帮助受影响的个人至关重要。一项初步分析显示，与非自杀性自伤（NSSI）相关的内容是如何在Twitter上激增的。因此，我们使用Twitter来收集相关数据，分析并提供支持倾向于NSSI行为的用户的方法。我们的方法利用自定义爬虫检索相关的推文，从自我报告的用户和有兴趣打击自我伤害的相关组织。通过文本分析，我们确定了六个主要类别的自我伤害的用户，包括造成的，反自我伤害，寻求支持，恢复，亲自我伤害和风险。受影响的类别占主导地位的集合。从参与的角度来看，我们展示了在线用户如何回应Twitter上的自我伤害支持组织发布的信息。通过注意最参与的组织，我们应用了一种有用的技术来揭示组织的战略。在线参与者对与心理健康相关属性相关的在线帖子表现出强烈的倾向。我们的研究是基于这样一个前提，即社交媒体可以作为一种工具，支持积极主动的措施，以减轻自我伤害的负面影响。因此，我们提供了防止潜在用户进行自我伤害的方法，并通过一系列建议支持受影响的用户。为了支持进一步的研究，数据集将提供给感兴趣的研究人员。
2021-04-01 cs.CL cs.SI
Dialect Diversity in Text Summarization on Twitter
Yale University（耶鲁大学）
Twitter上的讨论涉及来自不同方言的不同社区的参与，通常需要将大量帖子汇总为具有代表性的样本以提供概要。然而，任何这样的代表性样本都应该充分描绘潜在的方言多样性，以呈现代表方言的不同参与社区的声音。提取摘要算法执行构建子集的任务，这些子集简洁地捕获任何给定帖子集合的主题。然而，我们观察到，有方言偏见的摘要产生的共同摘要方法，即，他们通常返回的摘要不足以代表某些方言。绝大多数现有的“公平”摘要方法需要社会显著属性标签（在这种情况下，方言），以确保所生成的摘要相对于社会显著属性是公平的。然而，在许多应用中，这些标签并不存在。此外，由于社交媒体中方言的不断发展，标记或准确推断每个社交媒体帖子的方言是不合理的。为了纠正方言偏见，我们采用了一个框架，将现有的文本摘要算法作为一个黑盒，并使用一小部分方言多样化的句子，返回一个相对更方言多样化的摘要。至关重要的是，这种方法不需要被总结的帖子具有方言标签，确保多样化过程独立于方言分类/识别模型。我们展示了我们的方法在Twitter数据集上的有效性，这些数据集包含由种族或性别定义的不同社会群体使用方言撰写的帖子;在所有情况下，与标准文本摘要方法相比，我们的方法都能提高方言多样性。
2021-04-04 cs.CL cs.CY
Social Perceptions of English Spelling Variation on Twitter: A Comparative Analysis of Human and LLM Responses
Utrecht University（乌得勒支大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
本研究比较了人类和大语言模型对英语拼写变异的社会感知，发现两者在评分上存在较强关联，但在评分分布和不同拼写变异类型间存在显著差异。
2025-11-28 cs.CL
The Politics of Language Choice: How the Russian-Ukrainian War Influences Ukrainians' Language Use on Twitter
Ludwig-Maximilians-University Munich（慕尼黑大学）；University of Bath（巴斯大学）；Technical University of Munich（慕尼黑工业大学）
研究基于400多万条地理标记推文，用统计模型区分样本效应与行为效应，揭示俄乌战争促使乌克兰 Twitter 用户从俄语显著转向乌克兰语。
2023-06-06 cs.CL cs.CY stat.AP
Probing Latent Colombian Identity Inferences in Qwen2.5-7B with Natural Language Autoencoders
Universidad Autónoma de Occidente（西自治大学）
研究Qwen2.5 - 7B - Instruct处理提示时是否表征哥伦比亚相关信息，用自然语言自动编码器转化残差流激活，通过含30个提示的数据集进行研究，将激活可解释性与西班牙语变体偏差评估相联系。
2026-07-27 cs.AI cs.CL
Attributed Multi-Relational Attention Network for Fact-checking URL Recommendation
Worcester Polytechnic Institute（伍斯特理工学院）；Alibaba Group（阿里巴巴集团）
为了打击假新闻，研究人员主要集中在检测假新闻和记者建立和维护事实核查网站（例如，Snopes.com和Politifact.com）。然而，假新闻传播通过社交媒体网站得到了极大的促进，而这些事实核查网站并没有得到充分利用。为了克服这些问题并补充现有的对抗假新闻的方法，在本文中，我们提出了一种基于深度学习的事实检查URL推荐系统，以减轻假新闻在Twitter和Facebook等社交媒体网站中的影响。特别是，我们提出的框架包括一个多关系的注意模块和异构的图形注意网络，以学习复杂/语义之间的关系，用户-URL对，用户对，和URL-URL对。在真实数据集上的大量实验表明，我们提出的框架优于8个最先进的推荐模型，实现至少3~5.3%的改进。
2020-01-07 cs.CL cs.IR cs.SI
Twitter Sentiment Analysis using Distributed Word and Sentence Representation
Manipal Institute of Technology（曼ipal理工学院）；Computer Science and Engineering Department（计算机科学与工程系）
本文利用LSTM、CNN和人工神经网络分别处理分布式词与句子表示，对Twitter推文进行情感分类，准确率达81%，并给出了构建词分布式表示的最佳方法。
2019-04-01 cs.CL cs.IR cs.LG
Design and analysis of tweet-based election models for the 2021 Mexican legislative election
Niels Bohr International Academy（尼尔斯·玻尔国际研究院）；Niels Bohr Institute（尼尔斯·玻尔研究所）；The Aspen Institute México（墨西哥阿斯彭研究所）；Max-Planck-Institut für Astrophysik（马克斯·普朗克天体物理研究所）；Metrics（Metrics公司）；Universidad Nacional Autónoma de México（墨西哥国立自治大学）；Universidad La Salle México（墨西哥拉萨尔大学）；Imperial College London（帝国理工学院）
本文基于2021年墨西哥立法选举前六个月的1500万条推文构建并比较选举模型，证明带地理属性的Twitter数据在预测选举结果上优于传统民调，并与官方人口及互联网普查数据正相关。
2023-06-21 cs.CL cs.CY cs.SI
Inferring User Preferences by Probabilistic Logical Reasoning over Social Networks
Stanford University（斯坦福大学）；The Ohio State University（俄亥俄州立大学）
我们提出了一个框架来推断潜在的态度或偏好的用户进行概率一阶逻辑推理的社会网络图。我们的方法回答了关于Twitter用户的问题，比如{ \em这个用户喜欢寿司吗？}或{ \em此用户是纽约尼克斯队的球迷吗？}通过建立一个概率模型，对用户属性（用户的位置或性别）和社交网络（用户的朋友和配偶）进行推理，通过同质性（如果配偶或朋友喜欢寿司，我更有可能喜欢寿司，如果我住在纽约，我更有可能喜欢尼克斯队）等推论。该算法使用远程监督、半监督数据采集和向量空间模型从文本中提取用户属性（例如配偶、教育、位置）和偏好（喜欢和不喜欢）。然后将提取的命题送入概率推理机（我们研究马尔可夫逻辑和概率软逻辑）。我们的实验表明，概率逻辑推理显着提高属性和关系抽取的性能，并在预测用户喜欢或不喜欢，也达到了0.791的F分数，显着优于两个强基线。
2014-11-11 cs.AI cs.CL cs.LG
NLP Case Study on Predicting the Before and After of the Ukraine-Russia and Hamas-Israel Conflicts
Hofstra University（霍夫斯特拉大学）；Northeastern University（东北大学）
本研究针对俄乌与哈马斯-以色列两场冲突，整理多平台社交媒体前后时段数据集，用有监督和无监督NLP技术预测文本毒性等属性，验证了社媒 discourse 可预判冲突，预测误差低至约1.2%。
2024-10-08 cs.AI cs.CL cs.LG
Learning multi-faceted representations of individuals from heterogeneous evidence using neural networks
Stanford University（斯坦福大学）；Ohio State University（俄亥俄州立大学）
在线推断人的潜在属性是一项重要的社会计算任务，但需要整合网络上可用的许多异构信息源。我们建议使用神经网络来学习人们的个体表征，以整合从社交媒体收集的丰富的语言和网络证据。该算法能够结合不同的线索，例如一个人写的文本，他们的属性（例如性别，雇主，教育，位置）以及与其他人的社会关系。我们表明，通过整合文本和网络证据，这些表示在Twitter上的社交媒体推理中的四个重要任务中提供了更好的性能：预测（1）性别，（2）职业，（3）位置和（4）用户的友谊。我们的方法可以扩展到大型数据集，并且学习到的表示可以用作一般特征，并且有可能使大量下游任务受益，包括链接预测，社区发现或社交网络上的概率推理。
2017-05-11 cs.CL cs.SI
Erasure of Unaligned Attributes from Neural Representations
University of Edinburgh（爱丁堡大学）；Institute for Language, Cognition and Computation（语言、认知与计算研究所）；School of Informatics（信息学院）
本文提出AMSAL算法，通过交替进行分配最大化和联合潜在空间投影，在属性未与输入样本直接对齐的隐式场景下从神经表示中擦除偏见信息，并在多个偏见基准上验证了其有效性。
2023-04-18 cs.CL
Utilizing Social Media Attributes for Enhanced Keyword Detection: An IDF-LDA Model Applied to Sina Weibo
University of New South Wales（新南威尔士大学）
针对社交媒体短文本关键词检测难题，提出结合IDF与LDA的模型，利用点赞、评论和转发等属性加权文档，有效提升关键词检测的精确率和召回率。
2023-05-30 cs.CL cs.IR cs.SI
Quantifying Community Characteristics of Maternal Mortality Using Social Media
Harvard University（哈佛大学）；University of Pennsylvania（宾夕法尼亚大学）；Cornell University（康奈尔大学）；Stony Brook University（石溪大学）
虽然美国的大多数死亡率都有所下降，但孕产妇死亡率却有所上升，是经合组织国家中最高的。正在进行广泛的公共卫生研究，以更好地了解发病率相对较高或较低的社区的特点。在这项工作中，我们探讨的作用，社交媒体语言可以发挥洞察这样的社区特征。分析美国各县产生的与怀孕相关的推文，我们揭示了一组不同的潜在主题，包括晨吐，名人怀孕和堕胎权利。我们发现，在Twitter上提及这些主题的比率预测孕产妇死亡率的准确性高于标准的社会经济和风险变量，如收入，种族和获得医疗保健，即使在将分析减少到六个主题后，其可解释性和与已知风险因素的联系也是如此。然后，我们调查了社区语言的心理维度，发现使用不太信任，更强调，更消极的情感语言与更高的死亡率显着相关，而信任和负面影响也解释了孕产妇死亡率的种族差异的显着部分。我们讨论了这些见解的潜力，以告知在社区一级的可操作的健康干预措施。
2020-04-14 cs.CL cs.CY cs.SI
Enhancing Rumor Detection Methods with Propagation Structure Infused Language Model
School of Computer Science and Technology & Beijing Key Lab of Traffic Data Analysis and Mining（计算机科学与技术学院及北京交通数据与挖掘重点实验室）
针对PLMs在谣言检测任务表现不佳的问题，提出持续预训练策略PEP，通过预测帖子间关系注入传播结构信息，并构建大规模语料库训练定制模型SoLM，显著提升了基线模型及少样本场景下的检测准确率。
2025-08-10 cs.CL cs.SI
Residualized Factor Adaptation for Community Social Media Prediction Tasks
Stony Brook University（石溪大学）；University of Pennsylvania（宾夕法尼亚大学）
社交媒体语言的预测模型在捕捉社区成果方面表现出了希望，但迄今为止的方法在很大程度上忽视了语言起源社区的社会人口背景（例如年龄，教育率，种族）。例如，假设阿拉巴马州莫比尔的人口年龄相对较大，使用单词的方式与旧金山的人相同可能是不准确的，旧金山的中位年龄更年轻，大学教育率更高。在本文中，我们提出了剩余因子适应，社区预测任务的一种新方法，既（a）有效地整合社区属性，以及（b）适应语言特征的社区属性（因素）。我们使用11个人口统计学和社会经济学属性，并在五个不同的社区层面预测任务中评估我们的方法，包括健康（心脏病死亡率，健康状况良好/不佳的百分比），心理学（生活满意度）和经济学（房价上涨百分比，止赎率）。我们的评估表明，剩余因素适应显着提高了4的5个社区水平的结果预测比以前的国家的最先进的纳入社会人口背景。
2018-08-28 cs.CL
Is change the only constant? Profile change perspective on #LokSabhaElections2019
IIIT Delhi（德里印德拉普拉斯塔信息技术学院）；IIIT Hyderabad（海得拉巴国际信息技术学院）
Twitter上的用户是在他们的个人资料属性的帮助下识别的，这些属性包括用户名、显示名称、个人资料图像等。用户采用的配置文件属性可以反映他们的兴趣，信仰或主题倾向。文献已经提出了随机用户群体的简档属性变化的含义和意义。然而，使用个人资料属性进行背书和启动运动还没有得到充分的探索。在这项工作中，我们将#LokSabhaElections2019视为一场运动，并对以#LokSabhaElections2019为中心积极更改配置文件属性的用户的配置文件进行了大规模研究。我们在#LokSabhaElections2019中收集了2019年4月5日至2019年6月5日为期2个月的4940万用户的个人资料元数据。我们调查了在社会运动中有影响力的领导人及其追随者的个人资料变化情况。从侧面变化的棱镜中，我们进一步区分了政治倾向的有机表现方式和无机表现方式。我们报告如何增加竞选相关的关键字导致传播的行为传染，并进一步调查它与“Chowkidar运动”的详细。
2019-09-22 cs.CL
Emojis as Anchors to Detect Arabic Offensive Language and Hate Speech
Qatar Computing Research Institute, Hamad Bin Khalifa University（哈马德·本·哈利法大学卡塔尔计算研究所）
我们引入了一种通用的、独立于语言的方法来收集大量的攻击性和仇恨性推文，无论它们的主题或类型如何。我们利用嵌入在表情符号中的语言外信息来收集大量攻击性推文。我们将所提出的方法应用于阿拉伯语推文，并将其与英语推文进行比较-分析关键的文化差异。我们观察到这些表情符号在Twitter上的不同时间段内不断使用，以表示攻击性。我们手动注释并公开发布最大的阿拉伯语数据集，用于攻击性，细粒度的仇恨言论，粗俗和暴力内容。此外，我们使用不同的Transformer架构对数据集进行基准测试，以检测攻击性和仇恨言论，并进行深入的语言分析。我们在外部数据集上评估我们的模型-使用完全不同的方法收集的Twitter数据集，以及包含Twitter，YouTube和Facebook评论的多平台数据集，以评估泛化能力。这些数据集上的竞争结果表明，使用我们的方法收集的数据捕捉到了攻击性语言的普遍特征。我们的研究结果还强调了攻击性通信中使用的常用词，仇恨言论的常见目标，暴力推文中的特定模式;并指出了可归因于NLP模型局限性的常见分类错误。我们观察到，即使是最先进的Transformer模型也可能无法考虑文化、背景和上下文，或者无法理解现实世界数据中存在的细微差别，例如讽刺。
2022-05-19 cs.CL
BERTScore is Unfair: On Social Bias in Language Model-Based Metrics for Text Generation
Fudan University（复旦大学）
自动评价指标是生成式系统开发的关键。近年来，基于预训练的语言模型（PLM）的指标，如BERTScore，已普遍采用在各种生成任务。然而，它已被证明，PLM编码的一系列刻板的社会偏见，导致关注的公平性PLM作为指标。为此，这项工作提出了第一个系统的研究社会偏见在基于PLM的指标。我们证明，流行的基于PLM的指标表现出显着更高的社会偏见比传统的指标6个敏感属性，即种族，性别，宗教，外貌，年龄和社会经济地位。深入分析表明，选择度量的范例（匹配、回归或生成）比选择PLM对公平性的影响更大。此外，我们开发了注入PLM层的去偏置适配器，减轻了基于PLM的指标中的偏差，同时保留了评估文本生成的高性能。
2022-10-14 cs.AI cs.CL
Code-MIE: A Code-style Model for Multimodal Information Extraction with Scene Graph and Entity Attribute Knowledge Enhancement
Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航天信息安全部与可信计算重点实验室，教育部，武汉大学计算机科学与工程学院）；University of Oxford（牛津大学）；Wuhan Second Ship Design and Research Institute（武汉第二船舶设计研究所）；China United Network Communications Co., Ltd. Research Institute（中国联合网络通信有限公司研究院）
本文提出Code-MIE框架，通过统一代码理解和生成解决多模态信息提取问题，引入实体属性、场景图和文本参数，提升结构化信息提取性能。
2026-03-21 cs.CL
Relationship Between Online Harmful Behaviors and Social Network Message Writing Style
Université Laval（拉瓦尔大学）
在本文中，我们探讨了个人的写作风格和他们将从事在线有害行为（如网络欺凌）的风险之间的关系。特别是，我们考虑写作风格的可测量差异是否与不同的人格类型有关，如大五人格特质和黑暗三人格特质所模拟的，并且可以区分是否从事有害行为的用户。我们研究了来自两个在线社区（Twitter和Reddit）的近2,500名用户的消息，发现我们可以从100条推文或40条Reddit帖子的写作风格中衡量常规用户和有害用户之间的显著个性差异，汇总这些值以区分健康和有害社区，并使用风格属性来预测哪些用户会从事有害行为。
2022-12-14 cs.CL cs.SI
StylisticBias: A Few Human Visual Cues Drive Most Social Biases in MLLMs
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Princeton Center for Information and Technology Policy（普林斯顿信息与技术政策中心）
提出StylisticBias基准，通过控制单一视觉属性变化，发现年龄和体型主导身份层面偏见，而时尚风格等约15个属性解释近80%的偏见变化，偏见集中于少数视觉线索。
2026-06-19 cs.CL cs.CV
Happiness is assortative in online social networks
社交网络倾向于倾向于在具有相似或不同特征的个体之间建立联系。这种倾向被称为相似混合或同质性，表示为图中最近邻顶点属性值之间的相关性。最近的结果表明，除了年龄、性别和种族等人口特征之外，甚至“孤独”等心理状态在社交网络中也可以是选型的。尽管在线社交网络的社会重要性日益增加，但在没有身体接触的情况下，仅通过在线网络服务介导社会联系的情况下，是否会发生心理状态的自愿混合尚不清楚。在这里，我们表明，一般的幸福感或主观幸福感（SWB）的Twitter用户，从6个月的记录，他们的个人推文，确实是跨Twitter的社交网络。据我们所知，这是第一个结果，表明在主观幸福感水平上的在线网络的混合。我们的研究结果意味着，在线社交网络可能同样受到社会机制，导致竞争性混合在现实社交网络，这种竞争性混合发生在主观幸福感的水平。鉴于在线社交网络的日益普及，它们将具有相似SWB水平的用户联系起来的倾向可能是更好地理解积极和消极情绪如何通过在线社交关系传播的重要工具。未来的研究可能会集中在特定于事件的情绪状态如何传播和影响用户在“现实生活”中的行为。
2011-03-03 cs.CL cs.SI physics.soc-ph
Who Do Language Models Think Is Competent? A Mechanistic Analysis of Occupational Bias
Boston University（波士顿大学）
本研究通过引入因果框架，揭示语言模型对用户专业知识的内部表征存在职业偏见，该偏见会受人口统计学属性影响，且仅靠行为指标无法完全检测到相关失效模式。
2026-08-24 cs.AI cs.CL cs.CY
Automated Sentiment Classification and Topic Discovery in Large-Scale Social Media Streams
Georgia Institute of Technology（佐治亚理工学院）
本文提出一个面向 Twitter 的大规模情感与主题分析框架，通过关键词定向采集、多模型情感标注、LDA 主题建模及交互式可视化，实现动态地缘政治语境下社交媒体话语的可扩展分析。
2025-05-03 cs.CL
Gender Prediction from Tweets: Improving Neural Representations with Hand-Crafted Features
İzmir Institute of Technology（伊兹密尔理工学院）
作者分析是通过一些关键属性（如性别，年龄和语言）来描述作者的特征。本文提出了一种带注意力的RNN模型（RNNwA），用于预测Twitter用户的性别。单词级别和推文级别的注意力都被用来学习“去哪里看”。这个模型（https：//github.com/Darg-Iztech/gender-prediction-from-tweets）通过将LSA简化的n-gram特征与用户的学习神经表示相结合来改进。这两种模型都在三种语言上进行了测试：英语，西班牙语，阿拉伯语。所提出的模型的改进版本（RNNwA + n-gram）在英语上实现了最先进的性能，并且在西班牙语和阿拉伯语上具有竞争力的结果。
2019-09-06 cs.CL cs.LG stat.ML
