人们如何谈论彼此：建模广义群体间偏见与情绪
计算与语言
2026-04-17 v3
摘要
当前 NLP 中的偏见研究主要依赖于识别针对特定人口群体的（不受欢迎或负面的）偏见。尽管这推动了识别和缓解负面偏见的进展，且明确目标群体概念是必要的，但这并非总是可行的。本工作中我们外推至根植于社会科学与心理学文献的更宽泛偏见概念。我们转向预测人际群体关系（IGR）——建模话语中说话者与目标之间的关系——以细粒度人际情绪为锚点。我们构建并发布了一个由美国国会议员发布的英文推文数据集，标注了人际情绪——此类首例——以及 IGR 标签的“发现式监督”；我们的分析表明细微情绪信号可指示不同偏见。尽管人类在给定话语时识别 IGR 的表现优于随机，我们展示神经模型表现远优；此外，IGR 与人际感知情绪之间的共享编码使两项任务均获得性能提升。本文的数据与代码见 https://github.com/venkatasg/interpersonal-bias
引用
@article{arxiv.2209.06687,
title = {How people talk about each other: Modeling Generalized Intergroup Bias and Emotion},
author = {Venkata S Govindarajan and Katherine Atwell and Barea Sinno and Malihe Alikhani and David I. Beaver and Junyi Jessy Li},
journal= {arXiv preprint arXiv:2209.06687},
year = {2026}
}
备注
To be presented at EACL 2023