AMPERSAND: Argument Mining for PERSuAsive oNline Discussions
Columbia University(哥伦比亚大学)
辩论是一种话语类型,演讲者试图通过提出支持性论点来说服听众关于主张的合理性。大部分的论点挖掘工作都集中在独白中的论点建模。我们提出了一个计算模型的参数挖掘在网上有说服力的论坛,汇集了微观层面(参数作为产品)和宏观层面(参数作为过程)的模型的论证。从根本上说,这种方法依赖于识别讨论线程中参数组件之间的关系。我们的关系预测方法使用上下文信息,微调预训练的语言模型,并利用基于修辞结构理论的话语关系。我们还提出了一个候选人选择方法,自动预测一个人的论点的哪些部分将有针对性的其他参与者在讨论中。与最近使用指针网络和预训练的语言模型的最先进方法相比,我们的模型获得了显着的改进。
2020-04-30 cs.AI cs.CL
Evaluation and Facilitation of Online Discussions in the LLM Era: A Survey
Archimedes, Athena Research Center(阿希米德研究中心);Athens University of Economics and Business(雅典经济与商业大学);École Normale Supérieure Paris-Saclay(巴黎萨克雷高等师范学校);INSEAD
本文综述了大语言模型时代在线讨论评估与促进方法,提出新的评估分类、干预策略及未来研究方向。
2025-09-18 cs.CL
Designing Synthetic Discussion Generation Systems: A Case Study for Online Facilitation
Athens University of Economics and Business(雅典经济与商业大学);Archimedes, Athena Research Center(阿基米德,雅典研究中心)
本文提出了一种理论框架,用于设计、评估和实现合成讨论模拟,展示小型量化模型在成本和性能上的优势,并探讨了在线协调中的应用及局限性。
2026-04-17 cs.CL cs.HC cs.LG
Facilitating Opinion Diversity through Hybrid NLP Approaches
LIACS(莱顿高级计算机科学研究所);Leiden University(莱顿大学)
针对公民在线参与决策度下降的问题,本论文提出利用混合人类-AI技术与大型语言模型构建三层观点表示层次结构,以促进大规模在线讨论并洞察观点多样性与互动。
2024-05-15 cs.AI cs.CL
LongSocialBench: Do Long-Context LLMs Understand Online Discussion Threads?
Semantic Code Lab(语义代码实验室)
提出LongSocialBench基准,含1462道人工验证题,评估长上下文模型对在线讨论串中结构化社会话语的理解,发现现有模型远低于人类表现,缺失能力在于对回复树的社会理解。
2026-10-06 cs.CL
Revising Context, Shifting Simulated Stance: Auditing LLM-Based Stance Simulation in Online Discussions
Fudan University(复旦大学);University of Rochester(罗切斯特大学);Shanghai Innovation Institute(上海创新研究院)
本研究通过反事实语境修正框架审计LLM立场模拟,对比纯文本与多模态策略,评估平均方向性立场转变和立场转换率,揭示语境敏感性的有效性与鲁棒性。
2026-09-01 cs.CL cs.MM cs.SI
Towards Safer Online Spaces: Simulating and Assessing Intervention Strategies for Eating Disorder Discussions
Aptima, Inc.(阿皮马公司);USC Information Sciences Institute(南加州大学信息科学研究所)
本文提出 LLM 驱动的测试平台,跨平台、模型与主题模拟进食障碍讨论并评估干预策略,发现礼貌型干预效果稳定且模型间存在显著偏差。
2024-09-06 cs.CL
To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions
Athens University of Economics and Business(雅典经济与商业大学);Archimedes, Athena Research Center(阿基米德雅典娜研究中心)
本研究创建PEFK语料库,对比人类与LLM的在线讨论促进倾向,发现LLM过度急于促进,训练ModernBert分类器修正效果优于LLM替代设置。
2026-08-03 cs.CL cs.HC
GraphNLI: A Graph-based Natural Language Inference Model for Polarity Prediction in Online Debates
University of Surrey(萨里大学);King’s College London(伦敦国王学院)
允许用户之间参与的在线论坛对于重要问题的公开讨论具有变革性。然而,在这些论坛上的辩论有时会升级为全面的仇恨或错误信息交流。理解和处理这些问题的一个重要工具是能够推断出回复是支持还是攻击它所回复的帖子的争论关系。这种所谓的极性预测任务是困难的,因为回复可能基于帖子之外的外部上下文和其极性正被预测的回复。我们提出了GraphNLI,一种新的基于图的深度学习架构,它使用图行走技术以原则性的方式捕获讨论线程的更广泛的上下文。具体来说,我们提出了一些方法来执行从帖子开始的寻根图遍历,并捕获其周围的上下文,为帖子生成额外的嵌入。然后,我们使用这些嵌入来预测回复和它正在回复的帖子之间的极性关系。我们评估了我们的模型在来自在线辩论平台Kialo的策划辩论数据集上的性能。我们的模型优于包括S-BERT在内的相关基线,总体准确率为83%。
2022-02-16 cs.CL cs.LG
Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring
Leiden University(莱顿大学);FutureWhiz
提出一种基于14个教学特征的主题感知提示路由模型,通过模拟训练和在线A/B测试,在高中辅导中实现自适应策略切换,提高教学效率并减少交互轮次。
2026-08-27 cs.AI cs.CL cs.HC
QuaLLM-Health: An Adaptation of an LLM-Based Framework for Quantitative Data Extraction from Online Health Discussions
The University of Texas MD Anderson Cancer Center(德克萨斯大学MD安德森癌症中心);Texas Tech Health Science Center El Paso(德克萨斯理工大学埃尔帕索健康科学中心);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究将QuaLLM框架适配为QuaLLM-Health,利用GPT-4o-mini通过迭代提示工程从Reddit的GLP-1相关讨论中提取临床定量数据,准确率超0.85且宏平均F1>0.90,成本低耗时短,可适配多健康领域研究。
2024-11-27 cs.CL
A Comparative Study on Patient Language across Therapeutic Domains for Effective Patient Voice Classification in Online Health Discussions
Talking Medicines Limited(Talking Medicines有限公司)
本研究针对社交媒体中区分真实患者声音的分类任务,分析了患者语言特征的重要性,并通过在组合数据集上微调预训练语言模型,实现了高准确度的自动患者声音分类。
2024-07-23 cs.AI cs.CL
Classifying Conspiratorial Narratives At Scale: False Alarms and Erroneous Connections
University of Pittsburgh(匹兹堡大学)
本文提出基于作者立场对阴谋论讨论进行分类的通用方案,训练BERT分类器并与GPT对比,在Reddit大规模数据上发现仅三分之一帖子宣扬阴谋论,并揭示GPT在逻辑推理上的缺陷。
2024-03-29 cs.CL cs.SI
Issue Framing in Online Discussion Fora
University of Copenhagen(哥本哈根大学);Osnabrück University(奥斯纳布吕克大学)
在网上讨论论坛中,发言者经常通过强调主题的某些方面来支持或反对某事,比如节育。在社会科学中,这被称为问题框架。本文介绍了一种新的基于问题框架的在线讨论语料库。我们探索在何种程度上训练模型检测问题帧在新闻和社交媒体可以转移到域的讨论论坛,使用多任务和对抗训练的组合,假设只有未标记的训练数据在目标域。
2019-04-09 cs.CL cs.LG
Neural Abstractive Unsupervised Summarization of Online News Discussions
Universidad Técnica Federico Santa María(费德里科圣玛丽亚技术大学);Dalhousie University(达尔豪斯大学)
摘要通常依赖于黄金标准摘要来训练提取或抽象模型。社交媒体给摘要技术带来了障碍,因为它需要解决多文档多作者的方法。我们通过引入一种新的方法来解决这个具有挑战性的任务,该方法生成在线新闻讨论的摘要。我们的方法扩展了基于BERT的架构,包括在训练阶段提供评论喜欢的注意编码。为了训练我们的模型,我们定义了一个任务,该任务包括基于流行度(喜欢)重建高影响力的评论。因此,我们的模型学会根据最相关的评论总结在线讨论。我们的新方法提供了一个摘要,代表了用户评论的新闻项目的最相关的方面,将社会背景作为信息源,以总结在线社交网络中的文本。我们的模型使用生成的摘要和线程上的每个评论之间的ROUGE分数进行评估。我们的模型,包括社会注意编码,显着优于基于这种评价的提取和抽象摘要方法。
2021-06-19 cs.CL cs.LG
Stance detection in online discussions
University of West Bohemia(西波希米亚大学)
本文介绍了我们的系统创建检测立场在网上讨论。目标是确定评论的作者是支持还是反对给定的目标。我们的方法是基于最大熵分类器,它使用表面水平,情绪和特定领域的功能。该系统最初是为了检测英语推文中的立场而开发的。我们对它进行了调整,以处理捷克新闻评论。
2017-01-02 cs.CL
Improving Moderation of Online Discussions via Interpretable Neural Models
Slovak University of Technology in Bratislava(布拉迪斯拉发斯洛伐克理工大学);Faculty of Informatics and Information Technologies(信息学与信息技术学院)
越来越多的评论使得在线讨论很难仅由人类主持人进行调节。反社会行为是一种常见的现象,通常会阻止其他用户参与讨论。我们提出了一种基于神经网络的方法,部分自动化的缓和过程。它包括两个步骤。首先,我们检测不适当的评论版主看到。其次,我们会突出显示这些评论中不适当的部分,以加快审核速度。我们根据斯洛伐克主要新闻讨论平台的数据评估了我们的方法。
2018-09-18 cs.CL
Improving Agreement and Disagreement Identification in Online Discussions with A Socially-Tuned Sentiment Lexicon
Cornell University(康奈尔大学)
我们研究了在线讨论中的一致性和不一致性检测问题。提出了一种基于保序条件随机场(保序CRF)的序列模型来进行句子或语段级别的预测。我们自动构建一个社会调整的词典,是从现有的通用情感词典,以进一步提高性能。我们评估我们的协议和分歧标记模型上两个不同的在线讨论语料库-维基百科的讨论页面和在线辩论。我们的模型在这两个数据集中的表现都优于最先进的方法。例如,当线性链CRF对于维基百科讨论页面上的讨论获得0.58和0.56时,等张CRF模型对于一致性和不一致性检测获得0.74和0.67的F1分数。
2016-06-17 cs.CL
Talking to the crowd: What do people react to in online discussions?
University of Washington(华盛顿大学)
本文讨论了语言使用如何影响社区对在线论坛评论的反应,以及消息与信使的相对重要性。一个新的评论排名任务是基于Reddit讨论中的社区注释的因果报应提出的,它控制评论的主题和时间。来自六个subreddits的讨论线程的实验工作表明,不同类型的语言功能的重要性随兴趣社区而变化。
2015-08-16 cs.CL cs.SI
Do Differences in Values Influence Disagreements in Online Discussions?
Leiden University(莱顿大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);TU Delft(代尔夫特理工大学)
本文研究个人价值观差异与在线讨论分歧的关系,利用SOTA模型估计并聚合用户价值观画像,验证其与分歧的相关性及对同意预测的增益。
2023-10-24 cs.CL
Conversational Structure Aware and Context Sensitive Topic Model for Online Discussions
Case Western Reserve University(凯斯西储大学)
每天在社交媒体平台上产生数百万次在线讨论。主题建模是更好地理解大规模文本数据集的有效方法。传统的主题模型在在线讨论中取得了有限的成功,为了克服它们的局限性,我们使用讨论线程的树结构,并提出了一个“流行度”的度量来量化评论的回复数量,以扩展单词出现的频率,和“传递性”的概念来表征嵌套的讨论线程中节点之间的主题依赖性。我们建立了一个会话结构感知的主题模型(CSATM)的基础上流行度和传递性推断的主题和他们的评论分配。真实论坛数据集上的实验被用来证明提高性能的主题提取与六个不同的测量的一致性和令人印象深刻的准确性主题分配。
2020-02-06 cs.CL
Predictively Combatting Toxicity in Health-related Online Discussions through Machine Learning
Universidade da Coruña(圣地亚哥-德孔波斯特拉大学);CITIC - LIDIA Group(CITIC-LIDIA小组)
本研究提出用协同过滤机器学习预测性对抗健康话题在线讨论中的用户毒性,在Reddit COVID对话中预测性能超80%,可预防冲突配对。
2025-05-19 cs.CL cs.LG cs.SI
The Impact of Featuring Comments in Online Discussions
KNAW Meertens Instituut(KNAW Meertens研究所);Institute for Language Sciences, Utrecht University(乌得勒支大学语言科学研究所)
本文对比有无精选评论的新闻讨论,从用户与平台视角评估其影响,发现精选评论对讨论质量作用有限,但能提升活跃度并延缓参与度自然下降。
2024-12-03 cs.CL cs.HC
Pathways through Conspiracy: The Evolution of Conspiracy Radicalization through Engagement in Online Conspiracy Discussions
University of Washington(华盛顿大学);GESIS(莱布尼茨社会科学研究所)
在线阴谋论(CT)讨论中参与者的破坏性离线动员突出了了解在线用户如何形成激进阴谋信念的重要性。虽然先前的工作研究了导致加入在线CT讨论的因素,并提供了阴谋信念如何形成的理论,但我们对用户加入CT讨论社区后阴谋激进化如何演变的了解甚少。在本文中,我们提供了在网上CT讨论参与者的各种激进化阶段的实证建模。为了解开阴谋参与与激进化的关系,我们首先通过阴谋参与途径描述了用户通过CT讨论的旅程。具体来说,通过研究36K Reddit用户的1.69亿贡献,我们发现了四种不同的阴谋参与途径:稳定的高,增加,减少和稳定的低。我们进一步模拟了三个连续的激进化阶段的指导下,以前的理论著作。特定的用户亚群,即那些在稳定的高和越来越多的阴谋参与途径,通过不同的激进化阶段连续进展。相比之下,参与度下降路径上的用户表现出不同的行为:他们将CT讨论限制在专门的主题上,参与不同的讨论组,并表现出对阴谋subreddit的遵从性降低。通过研究用户脱离在线CT讨论,本文提供了有前途的见解阴谋恢复过程。
2022-04-22 cs.CL cs.CY cs.SI
Discourse Parsing of Contentious, Non-Convergent Online Discussions
Ben Gurion University(本-古里安大学);The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
在线话语往往被认为是两极分化和非生产性的。虽然一些会话语篇分析框架是可用的,但它们并不自然地适合于分析有争议的和两极分化的讨论。受巴赫金对话理论的启发,我们提出了一个新的理论和计算框架,更适合于非收敛的讨论。我们重新定义了成功讨论的衡量标准,并发展了一个新的话语注释图式,它反映了话语策略的层次结构。我们考虑一系列分类模型--从逻辑回归到BERT。我们还考虑各种特征类型和表示,例如,LIWC类别,标准嵌入,会话序列和非会话话语标记分别学习。给定标签集中的31个标签,如果我们允许每个标签使用不同的模型,则平均F-Score为0.61,如果使用单个模型,则为0.526。根据所提出的模式在注释讨论中取得的令人鼓舞的结果为许多下游任务和应用铺平了道路,例如早期检测讨论轨迹,主动调节开放式讨论和教师辅助机器人。最后,我们分享了第一个有争议的非收敛在线讨论的标记数据集。
2020-12-08 cs.CL cs.SI
Deep Sentiment Classification and Topic Discovery on Novel Coronavirus or COVID-19 Online Discussions: NLP Using LSTM Recurrent Neural Network Approach
Nanjing University of Science and Technology(南京理工大学);Dalhousie University(达尔豪斯大学);Jiangsu University of Science and Technology(江苏科技大学)
互联网论坛和公共社交媒体,如在线医疗论坛,为关注健康问题的用户(人/患者)提供了一个方便的渠道,以相互讨论和分享信息。2019年12月下旬,据报道爆发了新型冠状病毒(感染导致的疾病称为COVID-19),由于该病毒在世界其他地区迅速传播,世界卫生组织宣布进入紧急状态。在这篇论文中,我们使用了从社交媒体中自动提取与COVID-19相关的讨论,以及基于主题建模的自然语言处理(NLP)方法,从公众舆论中发现与COVID-19相关的各种问题。此外,我们还研究了如何使用LSTM循环神经网络对COVID-19评论进行情感分类。我们的研究结果揭示了利用公众意见和合适的计算技术来理解COVID-19相关问题并指导相关决策的重要性。
2020-04-24 cs.CL cs.IR
Learning Latent Local Conversation Modes for Predicting Community Endorsement in Online Discussions
University of Washington(华盛顿大学)
许多社交媒体平台提供了一种机制,让读者对评论做出积极和消极的反应,总的来说,这可以被认为是社区认可。本文解决了在线讨论中预测社区认可的问题,利用参与者的响应结构和评论的文本。不同类型的特征被集成在神经网络中,该神经网络使用新颖的架构来学习讨论结构的潜在模式,该讨论结构的表现与深度神经网络一样好,但更可解释。此外,潜在模式可用于加权文本特征,从而提高预测精度。
2016-09-28 cs.CL cs.SI
Supporting Online Discussions: Integrating AI Into the adhocracy+ Participation Platform To Enhance Deliberation
Heinrich Heine University(海因里希-海涅大学);Technical University Dortmund(德意志理工大学(多特蒙德))
本文扩展了开源参与平台adhocracy+,引入两个AI支持的辩论模块以提升在线讨论质量,并通过大规模用户研究验证其效果与可用性。
2025-10-24 cs.CL
Longitudinal Analysis of Discussion Topics in an Online Breast Cancer Community using Convolutional Neural Networks
Columbia University(哥伦比亚大学);King’s College London(伦敦国王学院)
识别在线健康社区(OHC)中的讨论主题对各种应用程序至关重要,但可能很困难,因为OHC内容的主题通常是异构的,并且依赖于域。在本文中,我们提供了一个多类模式,一个注释数据集,和监督分类器的基础上卷积神经网络(CNN)和其他模型的任务分类的讨论主题。我们将CNN分类器应用于最受欢迎的乳腺癌在线社区,并进行纵向分析,以显示整个成员参与过程中的主题分布和主题变化。我们的实验结果表明,CNN优于其他分类器在主题分类的任务,并可以检测到某些轨迹的主题变化。
2016-04-07 cs.CL cs.CY cs.SI
Machine Learning for Enhancing Deliberation in Online Political Discussions and Participatory Processes: A Survey
Technical University Dortmund(多特蒙德工业大学)
本文探讨了如何利用机器学习技术提升在线政治讨论的 deliberation 质量,通过文献综述识别AI可解决的讨论优化任务,并评估现有AI支持工具的成效与挑战。
2026-03-26 cs.CL cs.HC
Toward Extractive Summarization of Online Forum Discussions via Hierarchical Attention Networks
University of Central Florida(中佛罗里达大学)
论坛的帖子很长,内容丰富。简洁的主题摘要将有利于寻求信息的新人和参与讨论的人。然而,很少有研究探讨了论坛主题摘要的任务。在这项工作中,我们第一次尝试适应线程摘要的层次注意力网络。该模型利用神经注意力机制的最新发展来构建句子和线索表示并将其用于摘要。我们的研究结果表明,所提出的方法可以优于一系列的竞争基线。此外,冗余去除步骤对于实现出色的结果至关重要。
2018-12-26 cs.CL
CASCADE: Contextual Sarcasm Detection in Online Discussion Forums
National University of Singapore(新加坡国立大学);A*STAR(新加坡科技研究局);Indian Institute of Science, Bangalore(班加罗尔印度科学学院);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
自动反语检测的文献主要集中在文本的词汇、句法和语义层面的分析。然而,一个讽刺的句子可以表达与上下文的假设,背景和常识知识。在本文中,我们提出了CASCADE(一个ContextuAl SarCasm检测器),采用了混合的方法,内容和上下文驱动的建模讽刺检测在线社交媒体讨论。对于后者,CASCADE旨在从讨论线程的话语中提取上下文信息。此外,由于讽刺的性质和表达形式可以因人而异,CASCADE利用对用户的文体特征和个性特征进行编码的用户嵌入。当与基于内容的特征提取器(如卷积神经网络(CNN))一起使用时,我们看到大型Reddit语料库的分类性能显着提高。
2018-05-16 cs.CL
CodeSwitch-Reddit: Exploration of Written Multilingual Discourse in Online Discussion Forums
University of Toronto(多伦多大学)
与几十年来对口语语码转换的研究不同,对多语言书面语的研究直到最近才引起人们的兴趣。关于书面语码转换的社会语言学基础仍然存在许多悬而未决的问题,而且由于缺乏适当的资源,进展受到限制。我们介绍了一个新颖的,大型的,多样化的书面代码转换产品数据集,从Reddit讨论平台上的多个双语社区的主题线程中策划,并探讨了迄今为止主要在口语环境中解决的问题。我们调查的结果,在口头语码转换的内容和风格,以及扬声器的熟练程度,是否结转到书面语码转换的讨论论坛。发布的数据集可以进一步促进一系列研究和实践活动。
2019-08-30 cs.CL
Interactive Search and Exploration in Online Discussion Forums Using Multimodal Embeddings
Informatics Institute University of Amsterdam Amsterdam The Netherlands;Informatics Institute University of Amsterdam
在本文中,我们提出了一种新的交互式多模态学习系统,便于搜索和探索大型网络的社会多媒体用户。它允许分析人员识别和选择感兴趣的用户,并在交互式学习环境中找到类似的用户。我们的方法是基于新的用户,单词和概念的多模态表示,我们同时通过部署一个通用的神经嵌入模型来学习。我们显示这些表示是有用的,不仅分类用户,而且自动生成用户和社区配置文件。受传统摘要方法的启发,我们通过从所有可用的模态(即文本,图像和用户模态)中选择多样化和代表性的内容来创建配置文件。使用人工演员,它模拟用户行为的相关反馈的情况下,该方法的有用性进行评估。为了评估我们的多模态表示的质量,比较不同的嵌入策略,并确定不同模态的重要性,进行了多个实验。我们展示了所提出的方法的能力,两个不同的多媒体集合,来自暴力的在线极端主义论坛Stormfront和微博平台Twitter,这是特别有趣的,由于高语义级别的讨论,他们的功能。
2019-05-07 cs.CL cs.IR cs.SI
The Branch Not Taken: Predicting Branching in Online Conversations
本文定义了在线对话中的分支预测任务,提出深度神经网络模型GLOBS,利用结构、时间和语言特征预测对话分支,在Reddit数据集上显著优于基线模型并具良好可迁移性。
2024-04-21 cs.CL cs.LG
Ethos and Pathos in Online Group Discussions: Corpora for Polarisation Issues in Social Media
Laboratory of The New Ethos(新精神实验室);Warsaw University of Technology(华沙理工大学);Adam Mickiewicz University(亚当·密茨凯维奇大学);Laboratory of Media Anthropology(媒体人类学实验室);University of Warsaw(华沙大学);Department of Administration and Social Sciences(管理与社会科学系)
针对社会极化及现有研究方法的不足,本研究构建了多主题多平台、人工标注亚里士多德修辞中ethos和pathos的语料库,可用于训练语言模型,支撑极化相关的大规模在线传播策略研究与多维度语言分析。
2024-08-12 cs.CL
When confidence and competence collide: Effects on online decision-making discussions
Cornell University(康奈尔大学)
小组讨论是一种个人交流思想和论点的方式,以便比他们自己做出更好的决定。富有成效的讨论的前提之一是,更好的解决方案将占上风,而想法选择过程是由所涉及的个人的(相对)能力介导的。然而,由于人们可能不知道他们在一项新任务上的实际能力,他们的行为受到他们自我估计的能力的影响-也就是说,他们的信心-这可能与他们的实际能力不一致。我们在这项工作中的目标是了解信心-能力不一致对讨论的动态和结果的影响。为此,我们设计了一个大规模的自然环境,在一个在线团队为基础的地理游戏的形式,使我们能够解开能力的信心,从而分离它们的影响。我们发现,在以任务为导向的讨论中,更自信的个人对小组的决策有更大的影响,即使这些人与他们的队友处于相同的能力水平。此外,信心在决策过程中的这种不合理的作用往往导致团队表现不佳。我们通过调查信心对会话动态的影响来探索这一现象。
2017-03-05 cs.CL cs.CY cs.HC
Characterizing Social Imaginaries and Self-Disclosures of Dissonance in Online Conspiracy Discussion Communities
University of Washington(华盛顿大学);GESIS(莱布尼茨社会科学研究所)
在线讨论平台提供了一个论坛,以加强和宣传对误导阴谋论的信念。然而,它们也为阴谋论者提供了表达他们的怀疑和认知失调经验的途径。这种不和谐的表达可能会揭示谁放弃了被误导的信念,以及在什么情况下。QAnon是一个由神秘的领导者Q发起并由其追随者推广的阴谋论,是阴谋论的一个分支。为了理解阴谋社区中的不和谐和怀疑意味着什么,我们首先描述他们的社会想象力,即对人们如何集体想象他们的社会存在的广泛理解。关注来自两个图像板4chan和8chan的2K帖子,以及来自12个致力于QAnon的subreddits的120万评论和帖子,我们采用混合方法来揭示代表QAnon社区的运动,期望,实践,英雄和敌人的符号语言。我们使用这些社会概念来创建一个计算框架,用于区分关于QAnon的一般讨论中的信念和不和谐。此外,通过分析用户对QAnon阴谋子帖子的参与度,我们发现,自我披露的不和谐与用户贡献的显著减少相关,并最终与他们离开社区相关。我们提供了一个计算框架,用于识别不和谐的自我披露和测量用户参与度的变化。我们的工作可以为设计基于不和谐的干预措施提供见解,这些干预措施可能会阻止阴谋论者参与在线阴谋讨论社区。
2021-07-21 cs.CL cs.CY cs.HC
Exploration of the Usage of Color Terms by Color-blind Participants in Online Discussion Platforms
IBM Research(IBM研究院);Technion – Israel Institute of Technology(以色列理工学院)
关于感觉输入与语言输入在我们习得和使用语言的方式中的作用的突出问题在心理语言学文献中得到了广泛的研究。然而,一个人的整体经验中的各种因素对其语言系统的相对影响仍然不清楚。我们研究这个问题,使一个更好地理解的概念感知颜色的色盲的个人,反映在他们的自发的语言生产向前迈进了一步。使用一个新的和精心策划的数据集,我们表明,红绿色盲的扬声器使用的“红色”和“绿色”的颜色术语在较难预测的情况下,在语言环境中唤起的心理形象在较低的程度上,相比他们的正常视力的同行。这些发现为我们的语言系统中感官体验的作用提供了一些新的有趣的线索。
2022-10-30 cs.CL
In-Group Love, Out-Group Hate: A Framework to Measure Affective Polarization via Contentious Online Discussions
University of Iowa(爱荷华大学);USC Information Sciences Institute(南加州大学信息科学研究所);Arizona State University(亚利桑那州立大学);Claremont Graduate University(克莱蒙特研究大学)
本文提出一个离散选择模型和统计推断方法,通过社交媒体数据估计群体内喜爱与群体外仇恨参数,实时量化情感极化,并经COVID-19在线讨论验证其能准确捕捉现实极化动态及党派分歧的迅速出现。
2024-12-18 cs.CL cs.CY cs.SI
Improving Online Forums Summarization via Hierarchical Unified Deep Neural Network
University of Central Florida(中佛罗里达大学)
在线讨论论坛很普遍,很容易访问,因此允许人们通过在讨论线程中发布消息来分享想法和意见。论坛主题的长度显着增长可能会使参与者(无论是新来者还是现有参与者)难以掌握主要思想。为了缓解这个问题,本研究的目的是创建一个自动的文本摘要在线论坛。我们提出了分层统一深度神经网络来构建论坛摘要的句子和线程表示。在该方案中,Bi-LSTM导出包含整个句子和整个线程的信息的表示;而CNN则从句子和线程中捕获关于上下文的最具信息性的特征。注意力机制应用于CNN之上,以进一步突出携带有助于理想摘要的重要信息的高级表示。对三个数据集进行了广泛的性能评估,其中两个是真实的在线论坛,一个是新闻数据集。结果表明,该模型优于几个竞争基线。
2021-05-18 cs.CL cs.LG
Don't Let Me Be Misunderstood: Comparing Intentions and Perceptions in Online Discussions
Cornell University(康奈尔大学);Facebook(脸书)
话语涉及两个方面:一是说话人的意图,二是他人对话语的理解。这些观点之间的不一致可能导致不希望的结果,如误解,低生产力,甚至公开的冲突。在这项工作中,我们提出了一个计算框架,探索和比较这两个角度在网上公开讨论。我们将Facebook上公开评论的记录数据与对16,000多人的调查相结合,调查内容涉及他们撰写这些评论的意图或他们对其他人撰写的评论的看法。与之前在线讨论的研究不同,这些研究主要依赖于第三方标签来量化情感和主观性等属性,我们的方法还直接捕捉了发言者在撰写评论时的实际意图。特别是,我们的分析集中在判断评论是陈述事实还是观点,因为这些概念经常被混淆。我们表明,意图和看法分歧,在相应的方式。人们更可能感知到观点而不是意图表达观点,而表明话语意图的语言线索可能与表明话语将如何被感知的语言线索不同。此外,意图和感知之间的这种不一致可能与对话的未来健康有关:当作者意图分享事实的评论被误解为分享观点时,随后的对话更有可能出轨成为不文明行为,而不是当评论被认为是故意的。总而言之,这些发现可以为更好地促进积极互动的讨论平台的设计提供信息。
2020-04-28 cs.CL cs.CY cs.SI
A Piece of My Mind: A Sentiment Analysis Approach for Online Dispute Detection
Cornell University(康奈尔大学)
我们调查的新任务,在线纠纷检测,并提出了一个情感分析解决方案的问题:我们的目标是确定在讨论中表达的序列的一个层次的情感,并使用它们作为功能的分类器,预测作为一个整体的讨论的争议/非争议标签。我们评估了一个新创建的维基百科讨论页争议语料库的争议检测方法,发现依赖于我们的情感标记功能的分类器优于那些不这样做。最好的模型实现了非常有希望的F1得分0.78和准确度0.80。
2016-06-17 cs.CL
Discovering collective narratives shifts in online discussions
Luddy School of Informatics, Computing, and Engineering, Indiana University(印第安纳大学勒迪信息学、计算与工程学院);University of Southern California(南加州大学);Information Sciences Institute, University of Southern California(南加州大学信息科学研究所);Network Science Institute, Indiana University(印第安纳大学网络科学研究所)
本文提出结合变化点检测、语义角色标注和叙事网络自动聚合的框架,用于从大规模社交媒体文本中发现集体叙事转变,并在COVID-19和2017法国大选数据上验证其有效性。
2023-07-17 cs.CL cs.SI
Entropy-growth-based model of emotionally charged online dialogues
Warsaw University of Technology(华沙理工大学);Austrian Research Institute for Artificial Intelligence(奥地利人工智能研究所);University of Wolverhampton(伍尔弗汉普顿大学)
我们从IRC(互联网中继聊天)和模型的参与者之间的对话,假设讨论的驱动力是情绪概率分布的熵增长的情感注释的海量数据进行分析。这个过程被认为与对话中观察到的讨论长度的幂律分布的出现有关。我们进行了数值模拟的基础上注意到的现象,获得了良好的协议与实际数据。最后,我们提出了一种依赖于情绪概率分布熵的方法来人为地延长讨论的持续时间。
2012-01-26 cs.CL cs.SI physics.data-an
Political Discussions in Homogeneous and Cross-Cutting Communication Spaces
Qatar Computing Research Institute(卡塔尔计算研究所);Hamad Bin Khalifa University(哈马德·本·哈利法大学);University of Bamberg(班贝格大学);University of Konstanz(康斯坦茨大学)
Facebook、Twitter和Reddit等在线平台为用户提供了一系列丰富的功能,用于分享和消费政治信息、表达政治观点以及交换可能相反的政治观点。在这些活动中,自然会出现两种类型的交流空间:一种是以政治上相同的用户之间的交流为主,另一种是允许和鼓励政治上不同的群体进行跨领域交流。虽然关于在线环境中政治谈话的研究很多,但我们对政治同质空间中讨论的潜在变化性质知之甚少,而不是交叉交流空间。为了填补这一空白,我们使用Reddit来探索同质和交叉交流空间中政治讨论的本质。特别是,我们开发了一个分析模板来研究政治同质和异质通信空间内和之间的互动和语言模式。我们的分析揭示了不同的行为模式在同质和交叉的通信空间。我们讨论的背景下,对网上政治谈话的研究的理论和实践意义。
2019-04-11 cs.CL cs.CY
Gendered Divides in Online Discussions about Reproductive Rights
Thomas Lord Department of Computer Science, University of Southern California(美国南加州大学计算机科学系);Information Sciences Institute, University of Southern California(美国南加州大学信息科学研究所);Department of Psychology, Cornell University(康奈尔大学心理学系);Luddy School of Informatics, Indiana University(印第安纳大学琳迪信息学院)
本研究利用X平台近千万条堕胎相关帖子,发现性别显著调节堕胎态度与情感表达,尤其在保守地区造成性别差距,且独立于意识形态,凸显身份在政治表达中的核心作用。
2025-07-07 cs.CL cs.CY
Improving unsupervised neural aspect extraction for online discussions using out-of-domain classification
Samsung-PDMI Joint AI Center, Steklov Mathematical Institute(三星-圣彼得堡数学研究所联合人工智能中心,斯捷克洛夫数学研究所);National Research University Higher School of Economics(国立研究型大学高等经济学院);Kazan Federal University(喀山联邦大学);Moscow Institute of Physics and Technology(莫斯科物理技术学院)
基于自我注意力的深度学习架构最近在无监督方面提取和主题建模任务中取得了并超越了最先进的成果。虽然基于神经注意力的方面提取(ABAE)等模型已成功应用于用户生成的文本,但当应用于新闻文章和新闻组文档等传统数据源时,它们的一致性较低。在这项工作中,我们介绍了一个简单的方法,句子过滤的基础上,以提高专题方面学到的新闻组为基础的内容,而不修改ABAE的基本机制。我们训练一个概率分类器来区分域外文本(外部数据集)和域内文本(目标数据集)。然后,在数据准备过程中,我们过滤出在域中概率较低的句子,并在剩余句子上训练神经模型。句子过滤对主题连贯性的积极影响是在未过滤文本上训练的方面提取模型的比较中证明的。
2020-06-17 cs.CL
The Effect of Moderation on Online Mental Health Conversations
University of Washington(华盛顿大学)
由于高昂的费用和心理健康专业人员的短缺,许多与心理健康问题作斗争的人无法获得足够的护理,导致全球心理健康危机。在线心理健康社区可以通过提供可扩展的,易于访问的替代治疗师或支持团体的面对面会议来帮助缓解这一危机。然而,在网上寻求情感或心理支持的人可能特别容易受到在线讨论中有时发生的反社会行为的影响。适度可以提高在线话语质量,但我们对其对在线心理健康对话的影响缺乏了解。在这项工作中,我们利用了一个自然实验,从7,000个在线心理健康对话中收集了20万条信息,以评估适度对在线心理健康讨论的影响。我们发现,参与小组心理健康讨论导致心理观点的改善,这些改善在有节制的谈话中更大。主持人的存在增加了用户的参与度,鼓励用户更坦率地讨论负面情绪,并大大减少了聊天参与者之间的不良行为。适度还鼓励加强语言协调,这表明建立了信任。此外,在谈话中保持活跃的主持人在保持谈话主题方面特别成功。我们的研究结果表明,适度可以作为一个有价值的工具,以提高在线心理健康对话的有效性和安全性。基于这些发现,我们讨论了设计有效的心理健康支持在线空间的影响和权衡。
2021-04-22 cs.CL cs.CY cs.SI
Thread With Caution: Proactively Helping Users Assess and Deescalate Tension in Their Online Discussions
Cornell University(康奈尔大学)
不文明仍然是在线讨论平台的一个主要挑战,以至于即使是善意的用户之间的对话也经常会变成不文明的行为。传统上,平台依赖于版主(无论是否有算法帮助)采取纠正措施,如删除评论或禁止用户。在这项工作中,我们提出了一个补充的范例,直接授权用户主动提高他们对现有的紧张局势的认识,他们正在参与的对话,并积极引导他们,因为他们正在起草他们的答复,以避免进一步升级。作为这种模式的概念证明,我们设计了一种算法工具,直接向用户提供这种主动信息,并在一个流行的讨论平台上进行用户研究。通过混合方法的方法相结合的调查与随机对照实验,我们发现定性和定量的见解,参与者如何利用和反应这些信息。大多数与会者报告说,他们认为这一积极主动的范例很有价值,指出这有助于他们发现否则可能会遗漏的紧张关系,并促使他们进一步思考自己的答复并加以修改。当我们的工具警告参与者,他们的对话有可能偏离轨道,变成不文明的行为时,与在工具被禁用的控制条件下,参与者如何起草回复的比较证实了这些影响。这些初步研究结果突出了这种以用户为中心的范例的潜力,并指出了未来实施的具体方向。
2022-12-02 cs.AI cs.CL cs.CY
Anger Breeds Controversy: Analyzing Controversy and Emotions on Reddit
USC Information Sciences Institute(南加州大学信息科学研究所);University of California, Davis(加州大学戴维斯分校)
情绪在人际互动和社会冲突中扮演着重要的角色,但其在在线对话中争议和分歧发展中的作用尚未被探讨。为了解决这个问题,我们研究了Reddit上的争议,Reddit是一个流行的在线论坛网络。我们从各种各样的主题论坛中收集讨论,并使用情感检测来识别文本中的一系列情感,包括愤怒,恐惧,喜悦,钦佩等。首先,有争议的评论比无争议的评论表达更多的愤怒,更少的钦佩,喜悦和乐观。第二,有争议的评论会影响讨论中下游评论的情绪,通常会导致长期的愤怒情绪增加和积极情绪减少,尽管情绪变化的幅度和方向取决于论坛。最后,我们表明,情绪有助于更好地预测哪些评论将成为有争议的。了解在线讨论的情感动态可以帮助社区更好地管理对话。
2022-12-01 cs.CL cs.CY
Winning Arguments: Interaction Dynamics and Persuasion Strategies in Good-faith Online Discussions
Cornell University(康奈尔大学)
改变某人的观点可以说是社交互动中最重要的挑战之一。其背后的过程很难研究:很难知道一个人的观点是如何形成的,以及一个人的观点是否会改变,以及如何改变。幸运的是,Reddit上的一个活跃社区ChangeMyView提供了一个平台,用户可以在这里表达自己的观点和推理,邀请其他人提出质疑,并在随后的讨论改变了他们的原始观点时表示认可。在这项工作中,我们研究这些互动,以了解说服背后的机制。我们发现,有说服力的论点的特点是有趣的互动动态模式,如参与者进入顺序和程度的来回交换。此外,通过比较类似的反驳同一意见,我们表明,语言因素起着至关重要的作用。特别是,意见持有者的语言和反驳者的语言之间的相互作用提供了具有说服力的高度预测性线索。最后,因为即使在这种有利的设置,人们可能不会被说服,我们调查的问题,以确定是否有人的意见是容易被改变。对于这个更困难的任务,我们表明,风格的选择,在如何表达的意见进行预测能力。
2016-02-06 cs.CL cs.SI physics.soc-ph
Measuring Offensive Speech in Online Political Discourse
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
互联网和Reddit等在线论坛已成为公民参与政治对话的越来越受欢迎的媒介。然而,使用匿名身份的能力所产生的在线去抑制效应可能会以攻击性言论的形式表现出来,从而使政治讨论比现在更具有攻击性和两极分化。这种环境可能会导致目标受到骚扰和自我审查。在本文中,我们提出了一个大规模的时间测量,旨在量化在线政治讨论的进攻性的初步结果。为了使我们的测量,我们开发和评估一个进攻性的语音分类。然后,我们使用这个分类器来量化和比较在政治和一般情况下的攻击性。我们使用一个数据库进行研究,该数据库包含2015年1月至2017年1月期间超过700万名用户在Reddit上发表的超过1.68亿条评论,这一时期涵盖了包括2016年美国总统大选在内的几个分裂性政治事件。
2017-07-19 cs.CL cs.CY cs.SI
Using Semantic Similarity and Text Embedding to Measure the Social Media Echo of Strategic Communications
University of Exeter(埃克塞特大学)
在线话语涵盖广泛的主题,许多行为者通过精心制作的信息和有针对性的运动调整其内容,以影响在线讨论。然而,在线媒体内容的规模和多样性使得难以评估特定信息的影响。在本文中,我们提出了一种新的技术,利用语义相似性来量化特定消息发布后讨论中的变化。我们使用一组新闻稿从环境组织和推文从气候变化的辩论表明,我们的新方法揭示了一个重尾分布的响应在网上话语的战略沟通。
2023-03-29 cs.CL cs.SI