Why Should This Article Be Deleted? Transparent Stance Detection in Multilingual Wikipedia Editor Discussions
Hasso Plattner Institute(哈索·普拉特纳研究所);University of Copenhagen(哥本哈根大学)
针对在线平台内容审核不透明且维基多语言编辑讨论中政策提及率低的问题,构建含编辑立场、理由及对应政策的三语言维基编辑讨论数据集,实现立场与政策的高准确率联合预测,并开源模型和数据集以支撑透明化自动内容审核研究。
2023-10-23 cs.CL cs.CY cs.LG
GeBioToolkit: Automatic Extraction of Gender-Balanced Multilingual Corpus of Wikipedia Biographies
我们介绍GeBioToolkit,一个工具,用于提取多语言平行语料库在句子级别,从维基百科的传记文件和性别信息。尽管维基百科中存在性别不平等,但该工具包旨在提取性别平衡的语料库。虽然我们的工具包可以定制为任何数量的语言(和不同的领域),但在这项工作中,我们提供了英语,西班牙语和加泰罗尼亚语的2,000个句子的语料库,这些句子已经由母语人士进行了后期编辑,成为机器翻译评估的高质量数据集。虽然GeBioCorpus旨在成为第一个非合成性别平衡的测试数据集之一,但GeBioToolkit旨在为标准化程序铺平道路,以产生性别平衡的数据集
2019-12-10 cs.CL
What if we had no Wikipedia? Domain-independent Term Extraction from a Large News Corpus
IBM Research AI(IBM人工智能研究院)
在过去的二十年里,人类最令人印象深刻的努力之一就是以自由和可访问的格式收集和分类人类知识,这就是维基百科。在这项工作中,我们问是什么让一个术语值得进入这个知识的殿堂,并在维基百科中拥有自己的页面?这在多大程度上是人类持续对话和讨论的自然产物,而不是维基百科编辑的特殊选择?具体来说,我们的目标是在一个庞大的新闻语料库中识别这样的“维基值得”的术语,并看看这是否可以在不依赖或最小依赖于实际维基百科条目的情况下完成。为此,我们建议采用五步流程,提供所有五个步骤的基线结果,以及用于基准测试的相关数据集。我们的工作揭示了新的领域特定的自动术语提取问题,与手头的问题是一个域独立的变体。
2020-09-17 cs.CL
FRUIT: Faithfully Reflecting Updated Information in Text
University of California, Irvine(加州大学欧文分校);Google Research(谷歌研究院)
像维基百科这样的文本知识库需要相当大的努力来保持更新和一致。虽然自动化写作助手可能会减轻这一负担,但基于外部知识提出编辑建议的问题尚未得到充分探讨。在本文中,我们介绍了新的生成任务 * 忠实地反映文本中更新的信息 *(水果),其目标是更新现有的文章给出新的证据。我们发布了FRUIT-WIKI数据集,这是一个由维基百科快照对产生的超过17万个远程监督数据的集合,以及我们的数据生成管道和914个实例的黄金评估集,这些实例的编辑保证得到证据的支持。我们为流行的生成系统以及EDIT 5提供了基准测试结果。EDIT 5是一种基于T5的方法,专为我们介绍的建立最先进水平的编辑而定制。我们的分析表明,开发能够忠实更新文章的模型需要神经生成模型的新功能,并为许多新应用打开了大门。
2022-07-13 cs.CL
Examining Gender and Power on Wikipedia Through Face and Politeness
Stony Brook University(石溪大学);Institute for Advanced Computational Science(高级计算科学研究院)
本文构建面子行为标注语料与标注器,并结合礼貌分析维基百科讨论,揭示性别差异在行政权力群体中几乎消失。
2024-08-05 cs.AI cs.CL cs.LG
Edisum: Summarizing and Explaining Wikipedia Edits at Scale
EPFL(洛桑联邦理工学院);Wikimedia Foundation(维基媒体基金会)
针对维基百科编辑摘要缺失或不完整的问题,提出Edisum模型,在筛选的人机混合数据上微调小型生成式语言模型生成编辑摘要,性能与人类编辑相当,为大型在线项目维护提供技术支持。
2024-08-18 cs.CL
An Edit-centric Approach for Wikipedia Article Quality Assessment
The University of Tokyo(东京大学);IBM Research Tokyo(IBM东京研究院)
我们提出了一个以编辑为中心的方法来评估维基百科的文章质量作为一个补充替代目前的完整的基于文档的技术。我们的模型包括一个主分类器配备了一个辅助生成模块,对于一个给定的编辑,共同提供了一个估计其质量,并生成一个描述自然语言。我们进行了实证研究,以评估所提出的模型的可行性和成本效益的数据和质量要求。
2019-09-19 cs.CL
Sockpuppet Detection in Wikipedia: A Corpus of Real-World Deceptive Writing for Linking Identities
University of Alabama at Birmingham(阿拉巴马大学伯明翰分校)
本文描述了我们从维基百科收集的sockpuppet案例的语料库。sockpuppet是一个使用假身份创建的在线用户帐户,目的是掩盖滥用行为和/或颠覆编辑监管过程。我们使用了一种半自动化的方法来抓取和管理真实sockpuppet调查案例的数据集。据我们所知,这是第一个关于真实世界欺骗性写作的语料库。我们描述的过程中爬行的数据和一些初步的结果,可以用作基准研究的基线。该数据集将在我们的项目网站http://docsig.cis.uab.edu上以Creative Commons许可证发布。
2013-10-24 cs.CL cs.CR cs.CY
For the sake of simplicity: Unsupervised extraction of lexical simplifications from Wikipedia
我们报告了在提取词汇简化方面正在进行的工作(例如,“collaborate”->“work together”),重点是利用简单英语维基百科的编辑历史来完成这项任务。我们考虑两种主要方法:(1)通过考虑不同操作混合的编辑模型导出简化概率,以及(2)使用元数据来关注更可能是简化操作的编辑。我们发现我们的方法优于一个合理的基线,并产生许多高质量的词汇简化不包括在一个独立创建的手动准备的列表。
2010-08-11 cs.CL
TSM-Bench: Detecting LLM-Generated Text in Real-World Wikipedia Editing Practices
King’s College London(伦敦国王学院);Wikimedia Foundation(维基媒体基金会)
针对维基百科等用户生成内容平台,提出多语言、多生成器、多任务的TSM-Bench基准,发现现有检测器在任务特定MGT上准确率下降10-40%,且存在泛化不对称性。
2026-05-29 cs.CL
Cross-language Wikipedia Editing of Okinawa, Japan
Oxford Internet Institute, University of Oxford(牛津大学牛津互联网研究所)
本文分析了编辑维基百科关于日本冲绳的英语和日语条目的用户。研究发现,这些用户是其主要语言中最活跃和最专注的用户之一,他们在那里进行了许多大型,高质量的编辑。然而,当这些用户用非主要语言编辑时,他们倾向于进行不同类型的编辑,这些编辑的总体尺寸较小,并且通常仅限于两种语言都存在的狭窄的文章集。设计上的变化,以激励更广泛的贡献,从用户在他们的非主要语言,并鼓励多语种用户转移更多的信息跨越语言鸿沟。
2015-03-22 cs.CL cs.CY cs.SI
A Latent Space Analysis of Editor Lifecycles in Wikipedia
University College Dublin(都柏林大学学院)
像维基百科这样的协作是现代互联网价值的关键部分。与此同时,人们担心,这些合作受到成员流动率高的威胁。在本文中,我们借用主题分析的想法,随着时间的推移,在维基百科上的编辑活动到一个潜在的空间,提供了一个深入了解编辑行为的演变模式。这种潜在的空间表示揭示了一些不同类别的编辑器(如内容专家,社交网络),我们表明,它确实提供了一个信号,预测编辑器的离开社区。我们还表明,长期的编辑逐渐多样化的参与,通过将编辑偏好从一个或两个命名空间到多个命名空间,并在他们的编辑配置文件中经历相对较软的演变,而短期的编辑一般随机分配他们的贡献之间的命名空间,并在他们的编辑配置文件中经历相当大的波动演变。
2014-07-29 cs.CL cs.CY cs.SI
Understanding Editing Behaviors in Multilingual Wikipedia
KAIST(韩国科学技术院);University of Oxford(牛津大学)
使用多种语文在离线情况下很常见,但我们对在线使用多种语文的方式以及使用多种语文者在不同语言的使用者之间传播内容方面所发挥的作用的了解却很有限。我们采用计算方法来研究使用最大的用户生成的内容平台之一,维基百科多语。我们通过收集和分析维基百科英语、德语和西班牙语版本的多语种编辑撰写的内容的大型数据集来研究多语言。该数据集包含2013年7月8日至8月9日期间由超过15,000名多语言用户编辑的超过200万个段落。我们分析了这些多语种编辑的参与,兴趣和语言熟练程度方面的主要和非主要(次要)语言,并发现维基百科的英文版显示不同的动态从西班牙语和德语版本。主要编辑西班牙语和德语版本的用户比将这些版本作为第二语言编辑的用户进行更复杂的编辑。相比之下,将英语版本作为第二语言进行编辑的用户进行的编辑与主要编辑英语版本的用户进行的编辑一样复杂。通过这种方式,英语发挥了特殊的作用,汇集了来自多种语言版本的多种语言编写的内容。尽管如此,语言仍然是内容传播的一个巨大障碍:我们发现了一个复杂性障碍的证据,即编辑不太可能用第二语言编辑复杂的内容。此外,我们发现,多语者参与度较低,第二语言的语言熟练程度较低。我们还研究了多语种编辑的主题兴趣,发现每种语言的主要和非主要编辑之间没有显着差异。
2015-08-28 cs.CL cs.CY cs.SI
Multilinguals and Wikipedia Editing
Oxford Internet Institute, University of Oxford(牛津大学牛津互联网研究所)
这篇文章分析了维基百科一个月的编辑,以检查编辑多语言版本的用户(称为多语言用户)的作用。这种多语言用户可能在百科全书的不同语言版本中传播信息方面发挥重要作用,先前的工作表明这可以减少每个版本中的自我关注偏见。这项研究发现,多语言用户比单版本(单语)用户更活跃。它们在所有语言版本中都有,但用户较少的较小版本的多语言用户比例高于较大版本。大约四分之一的多语言用户总是用多种语言编辑同一篇文章,而超过40%的多语言用户用不同的语言编辑不同的文章。当非英语用户编辑第二语言版本时,该版本通常是英语。尽管如此,也存在一些区域和语言交叉编辑模式。
2014-05-12 cs.CL cs.CY cs.DL
Wikipedia Vandal Early Detection: from User Behavior to User Embedding
Tongji University(同济大学);University of Arkansas(阿肯色大学)
维基百科是最大的在线百科全书,允许任何人编辑文章。在本文中,我们提出使用深度学习来根据编辑历史检测破坏者。特别是,我们开发了一个多源长短期记忆网络(M-LSTM),通过使用各种用户编辑方面作为输入,包括编辑返回信息的历史,编辑页面标题和类别,来建模用户行为。使用M-LSTM,我们可以将每个用户编码为低维实向量,称为用户嵌入。同时,作为一个顺序模型,M-LSTM在用户每次提交新的编辑后都会更新用户嵌入。因此,我们可以根据最新的用户嵌入动态地预测用户是良性的还是恶意的。此外,这些用户嵌入对于发现协作破坏者至关重要。
2017-06-03 cs.CL cs.CR cs.CY
The Rashomon Wikipedia: A Data-Perspectivist Analysis of Divergent Historical Narratives
Interdisciplinary School of Doctoral Studies(跨学科博士研究院);HLT Research Center(HLT研究中心);Faculty of Mathematics and Computer Science(数学与计算机科学学院);Faculty of Foreign Languages and Literatures(外国语与文学学院);University of Bucharest(布加勒斯特大学)
本研究通过分析五种语言维基百科中三个罗马尼亚历史事件的叙事,揭示跨语言史学偏见和“引文孤立”现象,并提出“和平缔造者”流水线,利用对抗性提示实现自动化冲突调和。
2026-09-30 cs.CL
Mining Naturally-occurring Corrections and Paraphrases from Wikipedia's Revision History
LIMSI-CNRS(法国国家科学研究中心计算机科学与数学应用实验室)
自然发生的语言现象的实例对于训练和评估文本的自动处理都很重要。当大量可用时,它们也证明是语言研究的有趣材料。在这篇文章中,我们介绍了一个从维基百科的修订历史中构建的新资源,称为WiCoPaCo(维基百科更正和释义语料库),其中包含人类贡献者的大量编辑,包括各种更正和重写。我们讨论了建立这样一个资源的主要动机,描述了它是如何建立的,目前在法国的初步应用。
2022-02-25 cs.CL
Societal Controversies in Wikipedia Articles
UvA Amsterdam(阿姆斯特丹大学);Politecnico di Milano(米兰理工大学);Barcelona Media(巴塞罗那媒体中心);Sciences Politiques(巴黎政治学院)
协作内容创作不可避免地会出现不同观点导致冲突的情况。我们专注于维基百科,任何人都可以编辑的自由百科全书,其中有争议的文章中的内容争议往往反映了更大的社会辩论。虽然维基百科对每一篇条目都有一个公开的编辑历史和讨论部分,但这些部分的内容很难让对条目发展感兴趣的维基百科用户幻影化,并定位哪些主题最具争议性。在本文中,我们提出了Contropedia,一个工具,增加维基百科的文章,并提供深入了解有争议的话题的发展。Contropedia使用了一种基于编辑历史的有效的语言不可知论方法,该方法专注于维基链接,可以轻松识别维基百科条目中哪些主题最具争议性,以及何时最具争议性。
2019-04-18 cs.CL cs.CY cs.SI
WikiSTAR: A System for Shedding Light on the Hidden History of Scientific Wikipedia Articles
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);Ben-Gurion University of the Negev(内盖夫本-古里安大学);Allen Institute for AI (Ai2)(艾伦人工智能研究所)
WikiSTAR系统利用大语言模型分类器标记编辑类型,通过交互式视图追溯科学维基百科文章修订历史,揭示知识发展,经用户研究验证其能发现新模式、问题并实现新分析,还发布了系统、代码和基准。
2026-09-01 cs.CL
Small edits, large models: How Wikipedia advocacy shapes LLM values
Compassion Aligned Machine Learning (CaML)(慈悲对齐机器学习实验室);Independent researcher(独立研究者);Pro-Animal Wikipedians (PAW)(亲动物维基人组织)
通过梯度归因和反事实影响估计,发现维基百科上一个小型倡导组织的编辑活动显著影响了语言模型在动物福利话题上的行为。
2026-07-14 cs.AI cs.CL cs.CY