Podcasts as a Medium for Participation in Collective Action: A Case Study of Black Lives Matter
本研究以BLM为例，利用SPoRC语料库分析播客转录文本，识别并分类集体行动的口语表达及其情感维度，发现情感特征随行动阶段变化且与负面情绪呈负相关，揭示了音频媒介中行动主义的表达方式。
2025-09-16 cs.CL cs.CY cs.SI
Cross-SEAN: A Cross-Stitch Semi-Supervised Neural Attention Model for COVID-19 Fake News Detection
IIIT-Delhi（德里印度理工学院）；DTU-Delhi（德里理工大学）；IIT-Kanpur（坎普尔印度理工学院）；Accenture Labs（埃森哲实验室）
随着COVID-19疫情席卷全球，社交媒体上的假新闻和错误信息如海啸般席卷而来。在可靠信息对公共卫生和安全至关重要的时候，与COVID-19相关的假新闻的传播速度甚至超过了事实。在COVID-19大流行期间，假新闻不仅会造成知识混乱，还会危及人们的生命。这就要求立即遏制这种错误信息在社交媒体上的传播。我们介绍CTF，这是第一个COVID-19 Twitter假新闻数据集，带有标记的真实和虚假推文。此外，我们提出了Cross-SEAN，一种基于十字绣的半监督端到端神经注意力模型，它利用了大量的未标记数据。Cross-SEAN部分概括了新兴的假新闻，因为它从相关的外部知识中学习。我们将Cross-SEAN与七种最先进的假新闻检测方法进行了比较。我们观察到它在CTF上达到了$0.95$ F1评分，超过了$9\%$的最佳基线。我们还开发了Chrome-SEAN，一个基于Cross-SEAN的Chrome扩展，用于实时检测虚假推文。
2021-04-13 cs.CL cs.LG
How GPT-3 responds to different publics on climate change and Black Lives Matter: A critical appraisal of equity in conversational AI
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
自回归语言模型使用深度学习来产生类似人类的文本，已经变得越来越普遍。这些模型正在智能健康、金融和自动驾驶等领域为流行的虚拟助手提供支持。虽然这些大语言模型的参数正在改善，但人们仍然担心这些模型可能无法平等地适用于社会中的所有子群体。尽管跨学科的人工智能公平性讨论越来越多，但缺乏系统性的指标来评估公平在对话系统中的含义以及如何让不同人群参与评估循环。基于协商民主和科学技术研究的理论，本文提出了一个分析框架，以解开人类与人工智能对话中公平的含义。使用这个框架，我们进行了一项审计研究，以检查GPT-3如何对关键科学和社会主题（气候变化和“黑人生命也是命”（BLM）运动）的不同亚群做出反应。我们的语料库由GPT-3和3290个不同性别，种族和民族，教育水平，英语作为第一语言以及对问题的看法的人之间的20，000多轮对话组成。我们发现，在意见和教育少数群体中，GPT-3的用户体验明显更差;然而，这两个群体获得了最大的知识增益，在聊天后改变了对支持BLM和气候变化工作的态度。我们将这些用户体验差异追溯到会话差异，发现GPT-3在回应教育和意见少数派群体时使用了更多的负面表达，而不是回应多数群体。我们讨论了我们的研究结果对集中多样性，公平性和包容性的审议对话AI系统的影响。
2023-03-14 cs.AI cs.CL cs.CY
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
No Rumours Please! A Multi-Indic-Lingual Approach for COVID Fake-Tweet Detection
Dept. of CSE IIT Kharagpur, India（印度 IIT 卡哈拉格普尔分校计算机科学与工程系）；Dept. of CSE IIIT Delhi, India（印度德里信息技术学院计算机科学与工程系）；IBM Research Bangalore, India（印度班加罗尔 IBM 研究院）
当前全球大流行的COVID-19造成的突然广泛威胁对我们的生活产生了前所未有的影响。人类正在经历前所未有的巨大恐惧和对社交媒体的依赖。恐惧不可避免地导致恐慌、猜测和错误信息的传播。许多政府为了公众的福祉采取了措施来遏制这种错误信息的传播。除了全球措施外，为了有效地推广，人口统计学上的地方语言系统在这一努力中也可发挥重要作用。为此，我们提出了一种方法，可以从社交媒体（如推文）中早期检测出关于COVID-19的假新闻，适用于除英语之外的多种索引语言。此外，我们还创建了印地语和孟加拉语推文的注释数据集，用于假新闻检测。我们提出了一个基于BERT的模型，增加了从Twitter中提取的其他相关特征，以识别假推文。为了将我们的方法扩展到多种印度语言，我们采用了基于mBERT的模型，该模型在印地语和孟加拉语中创建的数据集上进行了微调。我们还提出了一种零样本学习方法来缓解这种低资源语言的数据稀缺问题。通过严格的实验，我们表明，我们的方法在虚假推文检测中达到了89%左右的F-Score，优于最先进的（SOTA）结果。此外，我们还为两种印度语，印地语和孟加拉语建立了第一个基准。使用我们的注释数据，我们的模型在印地语中实现了约79%的F-Score，在孟加拉语推文中实现了81%的F-Score。我们的zero-shot模型在没有任何注释数据的情况下，在印地语中实现了约81%的F-Score，在孟加拉语推…
2020-10-14 cs.CL cs.LG cs.SI
Emoji Prediction: Extensions and Benchmarking
Dartmouth College（达特茅斯学院）
双关语是一种简洁的语言形式，可以表达具体的含义，情感和意图。双关语还带有可以用来更好地理解交际意图的信号。它们已经成为我们日常生活中无处不在的一部分，使其成为理解用户生成内容的重要组成部分。emoji预测任务旨在预测与一段文本相关联的适当emoji集合。通过表情符号预测，模型可以学习书面文本的沟通意图的丰富表示。虽然现有的表情符号预测任务的研究集中在与某些情绪密切相关的表情符号类型的一小部分，但这种设置过度简化了任务，浪费了表情符号的表达能力。在本文中，我们扩展了emoji预测任务的现有设置，以包含更丰富的emoji集，并允许对任务进行多标签分类。提出了基于Transformer网络的多类别多标签表情符号预测模型。我们还使用统计学从Twitter构建了多个表情符号预测数据集。在所有设置下，BERT模型在我们所有的数据集上都实现了最先进的性能，准确率相对提高了27.21%到236.36%，前5名准确率相对提高了2.01%到88.28%，F-1得分相对提高了65.19%到346.79%，我们的研究结果证明了基于transformer的深度模型在表情符号预测任务上的有效性。我们还在www.example.com上发布了我们的数据集，供未来的研究人员使用。
2020-07-14 cs.CL
Analyzing users' sentiment towards popular consumer industries and brands on Twitter
Lithium Technologies | Klout
社交媒体是一个统一的平台，让用户表达他们对从日常生活到消费品牌和产品的看法等主题的想法。这些用户在塑造其他消费者的意见方面发挥着巨大的影响力，并影响品牌认知，品牌忠诚度和品牌宣传。在本文中，我们分析了1900万Twitter用户对62个热门行业的意见，包括12,898个企业和消费者品牌，以及相关的主题，通过情感分析的3.3亿推文在一个月的时间跨度。我们发现用户往往对制造业最为积极，而对服务业最为消极。此外，他们在与品牌互动时往往比在Twitter上更积极或消极。我们还发现，一个行业内对品牌的看法差异很大，我们使用两个行业作为用例来证明这一点。此外，我们发现，不同行业的主题情绪之间没有很强的相关性，表明主题情绪高度依赖于他们所提到的行业的背景。我们展示了这种分析的价值，以评估品牌对社交媒体的影响。我们希望这项初步研究将证明对研究人员和公司都有价值，有助于了解用户对行业，品牌和相关主题的看法，并鼓励在这一领域进行更多的研究。
2017-09-21 cs.CL cs.IR cs.SI
Evaluating Empathetic Chatbots in Customer Service Settings
KMK Consulting, Inc.（KMK咨询公司）；ServiceNow, Inc.（ServiceNow公司）；Unify Square, Inc.（Unify Square公司）
客户服务是一种需要在真人代理响应中产生同理心的设置。最近的进展已经证明了如何训练开放域聊天机器人，以在回应真人话语时表现出同理心。我们发现，一个响应客户查询的混合技能聊天机器人模型更有可能类似于实际的人类代理响应，如果它被训练来识别情感并表现出适当的同理心，而不是没有这种训练的模型。在我们的分析中，我们利用了Twitter客户服务数据集，其中包含<->来自20个知名品牌的客户服务上下文中的数百万个客户代理对话示例。
2021-01-05 cs.CL
How Have We Reacted To The COVID-19 Pandemic? Analyzing Changing Indian Emotions Through The Lens of Twitter
IIT Kharagpur（印度理工学院卡拉格普尔分校）；Mallya Aditi International School（马利亚阿迪蒂国际学校）
自疫情爆发以来，持续的COVID-19大流行已对全球人类生命及经济造成前所未有的损失。截至2020年7月18日，世界卫生组织（世卫组织）已报告超过1300万例确诊病例，其中包括216个国家和地区的近60万例死亡病例。尽管政府采取了多项措施，但印度的排名仍逐渐上升，成为继美国和巴西之后受疫情影响第三严重的国家，从而在其公民中引起广泛的焦虑和恐惧。由于世界上大多数人口继续被限制在家中，越来越多的人开始依靠推特等社交媒体平台表达他们对这一流行病各个方面的感受和态度。随着人们对心理健康的日益关注，分析公众影响的动态以预测任何潜在的威胁并采取预防措施变得势在必行。由于人类心灵的情感状态比微薄的二元情感更微妙，在这里，我们提出了一个基于深度学习的系统来识别人们的情绪从他们的推文。我们在两个多标签情感分类的基准数据集上取得了有竞争力的结果。然后，我们使用我们的系统来分析印度人的情绪反应的演变，因为流行病继续蔓延。我们还研究了随着时间的推移导致态度变化的突出因素的发展。最后，我们讨论了进一步改进我们工作的方向，并希望我们的分析可以帮助更好地监测公共卫生。
2020-08-20 cs.CL cs.SI
Divergent discourse between protests and counter-protests: #BlackLivesMatter and #AllLivesMatter
The University of Vermont（佛蒙特大学）
自从白人警察达伦·威尔逊在密苏里州弗格森枪杀黑人少年迈克尔·布朗以来，抗议标签#BlackLivesMatter放大了对美国黑人法外处决的批评。作为对#BlackLivesMatter的回应，其他Twitter用户采用了#AllLivesMatter，这是一个反抗议标签，其内容认为应该平等关注所有生命，无论种族如何。通过对超过86万条推文的多层次分析，我们研究了这些抗议和反抗议是如何通过量化其话语的各个方面而产生分歧的。我们发现，#AllLivesMatter促进了#BlackLivesMatter和#PoliceLivesMatter和#BlueLivesMatter等标签之间的对立，这种方式在历史上反映了黑人抗议者和执法部门之间的紧张关系。此外，我们还发现，#AllLivesMatter使用的很大一部分源于#BlackLivesMatter倡导者的劫持。除了简单地将#BlackLivesMatter内容注入#AllLivesMatter之外，这些劫持者还使用标签直接对抗“所有生命都很重要”的反抗议概念。“我们的研究结果表明，黑人生命物质运动能够成长，展示多样化的对话，并通过将反抗议意见的讨论作为#AllLivesMatter的中心话题而不是运动本身来避免在社交媒体上脱轨。
2017-05-20 cs.CL cs.CY cs.SI
The Surprising Performance of Simple Baselines for Misinformation Detection
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
随着社交媒体在我们的日常生活中变得越来越突出，检测信息内容并防止虚假信息和未经证实的谣言的传播变得越来越重要。虽然在文献中已经提出了许多复杂和成功的模型，但它们经常与较旧的NLP基线进行比较，如SVM，CNN和LSTM。在本文中，我们研究了广泛的现代transformer为基础的语言模型的性能，并表明，与基本的微调，这些模型具有竞争力，甚至可以显着优于最近提出的国家的最先进的方法。我们提出了我们的框架作为一个基线，用于创建和评估新的错误信息检测方法。我们进一步研究了一套全面的基准数据集，并讨论了潜在的数据泄漏和需要仔细设计的实验和数据集的理解，以考虑混杂变量。作为一个极端的例子，我们表明，仅基于包含日期信息的tweet id的前三位数字进行分类，可以在用于假新闻检测的常用基准数据集上提供最先进的性能-Twitter 16。我们提供了一个简单的工具来检测这个问题，并建议在未来的数据集中减轻它的步骤。
2021-04-14 cs.CL cs.LG
Into the crossfire: evaluating the use of a language model to crowdsource gun violence reports
Oxford Internet Institute, University of Oxford（牛津互联网研究所、牛津大学）
本研究针对枪支暴力数据收集难题，提出基于BERT的微调模型从社交媒体文本中识别枪支暴力报告，经现场干预实验验证，该模型可提升人权组织分析师的工作效率与搜索能力，助力人权工作开展。
2025-08-30 cs.CL cs.IR
Automated Fake News Detection using cross-checking with reliable sources
Sharif University of Technology（谢里夫理工大学）
在过去的十年里，假新闻和错误信息已经成为一个重大问题，影响了我们生活的各个方面，包括政治和公共卫生。受自然人类行为的启发，我们提出了一种自动检测假新闻的方法。人类的自然行为是用可靠的来源交叉检查新信息。我们使用自然语言处理（NLP）并构建了一个机器学习（ML）模型，该模型可以自动交叉检查新信息与一组预定义的可靠来源。我们为Twitter实现了这一点，并构建了一个标记虚假推文的模型。具体来说，对于给定的推文，我们使用其文本从可靠的新闻机构中查找相关新闻。然后，我们训练一个随机森林模型，该模型检查推文的文本内容是否与可信新闻一致。如果不是，则该推文被归类为虚假。这种方法通常可以应用于任何类型的信息，而不限于特定的新闻故事或信息类别。我们的这种方法的实现提供了一个$70\%$的准确性，优于其他通用的假新闻分类模型。这些结果为更明智和自然的假新闻检测方法铺平了道路。
2022-01-01 cs.CL cs.SI physics.soc-ph
