Erkennung impliziter Zielgruppen in schädlichen Inhalten
Die Identifizierung impliziter Zielgruppen in Hassrede ist entscheidend, um subtilere Hassrede zu erkennen und die Erkennung schädlicher Inhalte in digitalen Plattformen zu verbessern.
Kulturelle Unterschiede bei der Annotation von englischsprachigem Hassrede-Inhalt: Von der Datenerstellung bis zur Analyse
Kulturelle Hintergründe von Annotatorinnen und Annotatoren haben einen signifikanten Einfluss auf die Interpretation von Hassrede.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Eine Benchmarkstudie zur Erkennung von Hassrede über verschiedene Domänen hinweg
Große Sprachmodelle (LLMs) bieten einen erheblichen Vorteil gegenüber dem Stand der Technik bei der Erkennung von Hassrede, auch ohne vorheriges Finetuning. Die Leistung der Modelle hängt stark von der Verteilung der Etiketten im Trainingsdatensatz ab, wobei feinkörnige Hassrede-Etiketten bei kleinen Datensätzen von Vorteil sind, dieser Effekt aber bei größeren Datensätzen verschwindet.
Verbesserung der Erstellung adversarischer Datensätze durch Unterstützung der Annotatorinnen und Annotatoren: Erkenntnisse aus GAHD, einem deutschen Hassrede-Datensatz
Die Erstellung eines robusten Hassrede-Erkennungsmodells erfordert vielfältige und herausfordernde Trainingsdaten. Der GAHD-Datensatz wurde durch dynamische adversarische Datenerhebung erstellt, bei der Annotatorinnen und Annotatoren durch verschiedene Strategien unterstützt wurden, um effizient und effektiv diverse adversarische Beispiele zu erstellen.
Evaluierung der Erkennung von Hassrede auf dem nigerianischen Twitter unter Verwendung repräsentativer Daten
Die Leistung von Hassrede-Erkennungsmodellen, die auf verzerrten Datensätzen entwickelt wurden, überschätzt die Leistung in realen Umgebungen erheblich. Domänenadaptives Vortraining und Feinabstimmung spielen eine Schlüsselrolle, um die Leistung der Hassrede-Erkennung in ressourcenarmen Kontexten zu maximieren.
Überprüfung der Konformität von Hassrede-Erkennungsmodellen mit Inhaltsrichtlinien sozialer Medien
Dieser Artikel untersucht, inwieweit gängige Hassrede-Erkennungsmodelle den Inhaltsrichtlinien von Plattformen wie Facebook entsprechen. Die Autoren erstellen einen Datensatz namens HateModerate, der es ermöglicht, die Leistung der Modelle in Bezug auf die spezifischen Richtlinien zu testen. Die Ergebnisse zeigen, dass die Modelle häufig Fehler bei sowohl hasserfüllten als auch nicht-hasserfüllten Beispielen machen. Durch das Hinzufügen von HateModerate zum Trainingsdatensatz können die Modelle jedoch ihre Konformität mit den Richtlinien deutlich verbessern.
Überprüfung der Konformität von Hassrede-Erkennungsmodellen mit Inhaltsrichtlinien sozialer Medien
Dieser Artikel untersucht, inwieweit gängige Hassrede-Erkennungsmodelle den Inhaltsrichtlinien von Plattformen wie Facebook entsprechen. Die Autoren erstellen einen Datensatz namens HateModerate, der es ermöglicht, die Leistung der Modelle in Bezug auf die spezifischen Richtlinien zu testen. Die Ergebnisse zeigen, dass die Modelle erhebliche Schwächen bei der Konformität mit den Richtlinien aufweisen, insbesondere bei weniger schwerwiegenden Formen von Hassrede. Durch das Hinzufügen von HateModerate zum Trainingsdatensatz können die Modelle jedoch deutlich verbessert werden.
Interpretierbare Erkennung von Hassrede durch Merkmale aus Großen Sprachmodellen
Unser SHIELD-Framework nutzt die Textverständnis- und Instruktionsfähigkeiten von Großen Sprachmodellen, um interpretierbare Merkmale in Form von Begründungen aus dem Eingabetext zu extrahieren und diese dann zur Verbesserung eines Basis-Hassrede-Detektors zu verwenden.
Wenn die Mehrheit falsch liegt: Modellierung von Annotatorendissonanzen für subjektive Aufgaben
Das Modell sagt die individuellen Bewertungen von Annotatorinnen und Annotatoren auf der Grundlage ihrer demografischen Informationen und Umfrageantworten zu Online-Inhalten vorher, um Fälle zu identifizieren, in denen die Zielgruppe einer möglicherweise beleidigenden Aussage anderer Meinung ist als die Mehrheit.
© 2024 by Linnk AI