通过 Twitter 话语中存在的偏差自动刻画定向信息操纵
计算机与社会
2020-12-07 v3 计算与语言
机器学习
摘要
本文考虑通过人工智能自动刻画可能与新兴信息操纵相关的整体态度与偏差的问题。对这些新兴话题的准确分析通常需要专家进行繁重的手动分析，以标注数百万条推文来识别新话题中的偏差。我们将 Caliskan 等人的词嵌入关联测试（Caliskan, 2017）扩展到一个新领域。我们实用且无监督的方法用于量化信息操纵中推广的偏差。我们使用来自 Twitter 透明度报告的已知信息操纵相关推文验证我们的方法。我们对 COVID-19 大流行进行案例研究，以在非标注 Twitter 数据上评估我们方法的性能，展示其在新兴领域的可用性。
引用
@article{arxiv.2004.08726,
title = {Automatically Characterizing Targeted Information Operations Through Biases Present in Discourse on Twitter},
author = {Autumn Toney and Akshat Pandey and Wei Guo and David Broniatowski and Aylin Caliskan},
journal= {arXiv preprint arXiv:2004.08726},
year = {2020}
}
备注
5 pages, 4 tables, 1 figure