網路性別歧視與仇女情緒的量化分析：系統性文獻回顧

Conceptos Básicos

本研究系統性回顧了2012年至2022年間有關量化分析網路性別歧視與仇女情緒的研究文獻。透過半自動化的方法,我們分析了不同學科領域在此議題上的研究主題和方法,並探討了現有計算方法的挑戰與機遇。

Resumen

本研究系統性回顧了2012年至2022年間有關量化分析網路性別歧視與仇女情緒的研究文獻。我們首先使用半自動化的方法,包括主題建模和關鍵詞共現網絡分析,來縮小搜索範圍並選擇最相關的研究主題。隨後,我們對45篇符合標準的研究論文進行了深入的質性分析,涵蓋了以下方面:

1. 研究定義了性別歧視和仇女情緒的方式,以及所使用的分類方法。我們發現大多數研究將其視為二元分類問題,但也有少數使用聚類分析等方法。

2. 研究使用的機器學習模型,包括支持向量機、BERT、LSTM等。大多數研究採用傳統的機器學習方法,但也有一些使用深度學習模型。

3. 研究使用的數據集,主要來自Twitter、Facebook等社交媒體平台。一些研究還使用了基準數據集,如Waseem and Hovy (2016)。

4. 研究中提出的挑戰,包括數據集規模小、語言多樣性、主觀性等。此外,將社會科學理論與計算方法相結合也是一大挑戰。

綜上所述,本研究為未來在這一領域的研究提供了有價值的見解和啟示。

Estadísticas

性別歧視和仇女情緒是一個全球性健康問題,在網路上尤其猖獗。
過去10年來,研究此議題的論文數量呈現明顯上升趨勢,尤其是計算機科學領域。
大多數研究將性別歧視和仇女情緒視為二元分類問題,使用機器學習模型如SVM、BERT等進行識別。

Citas

"性別歧視是維護父權制社會規範的手段,通過監控和巡邏來實現。而性別歧視則是為了合理化這些規範,主要通過宣揚男女在才能、興趣、傾向和慾望方面的所謂'自然'差異。"
"網路,特別是社交媒體,已成為性別歧視和仇女情緒的溫床,女性在此遭受各種形式的暴力。"
"性別歧視和仇女情緒不僅有心理和個人層面的影響,還有物質層面的影響,涉及社會資源的分配。"

Ideas clave extraídas de

Divided by discipline? A systematic literature review on the quantification of online sexism and misogyny using a semi-automated approach

by Aditi Dutta,... a las arxiv.org 10-01-2024

https://arxiv.org/pdf/2409.20204.pdf

Consultas más profundas

如何在保護個人隱私的前提下,有效地收集和分析網路上性別歧視和仇女情緒的數據?

在保護個人隱私的前提下，有效地收集和分析網路上性別歧視和仇女情緒的數據，可以採取以下幾種策略：

匿名數據收集：使用匿名化技術來保護用戶的身份，例如在數據收集過程中去除個人識別信息（PII），如用戶名、電子郵件地址等。這樣可以確保數據的隱私性，同時仍然能夠進行有效的分析。

使用公共數據集：選擇使用已經公開的數據集，這些數據集通常經過處理以去除個人信息。例如，社交媒體平台上公開的帖子和評論可以用來分析性別歧視和仇女情緒，而不涉及個人隱私。

倫理審查和合規性：在進行數據收集之前，確保遵循相關的倫理標準和法律法規，如GDPR（通用數據保護條例）。這包括獲得必要的同意，並告知參與者他們的數據將如何被使用。

自然語言處理技術：利用自然語言處理（NLP）技術來分析文本數據，這些技術可以自動識別和分類性別歧視和仇女情緒的表達，而不需要直接接觸用戶的個人信息。

數據加密和安全存儲：在數據收集和存儲過程中，使用加密技術來保護數據的安全性，防止未經授權的訪問和數據洩露。

通過這些方法，可以在保護個人隱私的同時，有效地收集和分析網路上性別歧視和仇女情緒的數據，從而促進對這些問題的深入理解和應對。

除了二元分類,還有哪些其他方法可以更好地量化和理解網路上複雜的性別歧視和仇女情緒?

除了二元分類，還有多種方法可以更好地量化和理解網路上複雜的性別歧視和仇女情緒：

多類別分類：這種方法允許將性別歧視和仇女情緒進行更細緻的分類，例如將其分為不同的類別，如言語攻擊、性別刻板印象、性別歧視的微侵犯等。這樣可以更全面地捕捉到不同形式的性別歧視。

情感分析：通過情感分析技術，可以評估文本中表達的情感強度和情感極性（正面、負面或中性）。這有助於理解網路上對女性的情感態度，並量化仇女情緒的強度。

主題建模：使用主題建模技術（如LDA或BERTopic）來識別和提取文本中的主題，這可以幫助研究者了解性別歧視和仇女情緒的主要話題和趨勢，並揭示其背後的社會文化背景。

聚類分析：聚類分析可以用來識別文本數據中的隱含模式和群體，這有助於發現不同類型的性別歧視行為及其相互關係，從而提供更深入的見解。

語言特徵提取：通過提取語言特徵（如詞彙使用、語法結構等），可以分析性別歧視和仇女情緒的語言特徵，這有助於理解其表達方式和社會語境。

這些方法不僅能夠提供更豐富的數據分析視角，還能幫助研究者更全面地理解網路上性別歧視和仇女情緒的複雜性。

如何將社會科學理論與計算方法更好地結合,以提高對網路性別歧視和仇女情緒的認知和應對能力?

將社會科學理論與計算方法更好地結合，可以通過以下幾種方式來提高對網路性別歧視和仇女情緒的認知和應對能力：

跨學科合作：促進社會科學家和計算科學家之間的合作，讓社會科學家提供對性別歧視和仇女情緒的理論框架和背景知識，而計算科學家則提供數據分析和建模的技術支持。這樣的合作可以確保研究的全面性和深度。

理論驅動的數據分析：在進行數據分析時，應基於社會科學理論來設計研究問題和假設，這樣可以確保分析結果能夠反映出社會現象的複雜性。例如，使用社會建構主義理論來理解性別歧視的語言表達。

多維度的量化指標：根據社會科學理論，設計多維度的量化指標來評估性別歧視和仇女情緒的不同方面，例如情感強度、語言特徵、社會背景等，這樣可以更全面地捕捉到這些現象的多樣性。

質性與量性研究的結合：在研究中結合質性和量性方法，通過質性訪談或焦點小組討論來深入了解受害者的經歷，並將這些見解與量化數據相結合，以提供更全面的分析。

持續的理論反思：在計算方法的應用過程中，持續反思和檢視所使用的社會科學理論，確保其適用性和有效性，並根據新的研究發現進行調整。

通過這些方法，可以更好地將社會科學理論與計算方法結合，從而提高對網路性別歧視和仇女情緒的認知和應對能力，並促進社會的性別平等。