Facebook 与短信文本消息的不同可供性并不妨碍基于语言的预测模型的泛化
计算与语言
2023-05-25 v3 人工智能
人机交互
机器学习
摘要
自适应的移动设备健康干预常使用基于非移动设备数据（如社交媒体文本）训练的机器学习模型，因为收集大规模文本消息（SMS）数据困难且成本高昂。因此，理解这些平台间模型的差异与泛化对于恰当部署至关重要。我们考察了 Facebook 与文本消息在心理语言学上的差异及其对域外模型性能的影响，样本为 120 名同时分享两者的用户。我们发现用户用 Facebook 分享经历（如休闲），用 SMS 进行任务导向与对话目的（如计划确认），反映了可供性的差异。为检验这些差异的下游效应，我们使用预训练的基于 Facebook 的语言模型来估计 Facebook 与 SMS 上的年龄、性别、抑郁、生活满意度与压力。我们发现 8 个模型中 6 个的估计值与自我报告间的相关性无显著差异。这些结果表明可使用预训练的 Facebook 语言模型在即时干预中取得更好精度。
引用
@article{arxiv.2202.01802,
title = {Different Affordances on Facebook and SMS Text Messaging Do Not Impede Generalization of Language-Based Predictive Models},
author = {Tingting Liu and Salvatore Giorgi and Xiangyu Tao and Sharath Chandra Guntuku and Douglas Bellew and Brenda Curtis and Lyle Ungar},
journal= {arXiv preprint arXiv:2202.01802},
year = {2023}
}
备注
Accepted to the 17th International AAAI Conference on Web and Social Media (ICWSM), 2023