通过实例加权学习适应道德价值的领域偏移
计算与语言
2022-05-03 v2 社会与信息网络
摘要
对社交媒体中用户生成文本的道德价值进行分类,对于理解社群文化与解读社会运动的用户行为至关重要。道德价值与语言使用可跨社会运动发生变化;然而,文本分类器通常在既有社会运动的源域上训练,并在未考虑变异的新社会问题目标域上测试。在本研究中,我们考察道德价值与语言使用的领域偏移,量化领域偏移对道德分类任务的影响,并提出一种通过实例加权的神经适应框架以改进跨域分类任务。量化分析表明道德偏移、语言使用与分类性能之间存在强相关。我们在一个涵盖 7 个社会运动的公开 Twitter 数据上评估该神经适应框架,获得最高 12.1% 的分类提升。最后,我们发布一个标注了道德价值的 COVID-19 疫苗新数据,并在该新目标域上评估我们的方法。对于 COVID-19 疫苗的案例研究,我们的适应框架相比神经基线实现最高 5.26% 的提升。
引用
@article{arxiv.2204.07603,
title = {Learning to Adapt Domain Shifts of Moral Values via Instance Weighting},
author = {Xiaolei Huang and Alexandra Wormley and Adam Cohen},
journal= {arXiv preprint arXiv:2204.07603},
year = {2022}
}
备注
Accepted at 33rd ACM Conference on Hypertext and Social Media