Cyber hate speech on twitter: Analyzing disruptive events from social media to build a violent communication and hate speech taxonomy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The attack against the Charlie Hebdo weekly in Paris, in the year 2015, was a disruptive event that generated an important public reaction in social networks, creating the opportunity to study the phenomenon of violent communication and hate messages on Twitter. In the days after the attack (between January 7 and January 12), a sample of more than 255,000 tweets with the hashtags #CharlieHebdo, #JeSuisCharlie and #StopIslam was collected. An analysis was made using qualitative and quantitative approaches to contrast the level of agreement between the different methods used. In the first place, messages were classified as tweets that contained violent and hate speech or general messages, following the inclusion criteria that based on experience and the scientific literature were defined by the Principal Investigator. Then, three pairs of judges classified the sample using the excluding criteria previously defined, according to which ten types of violent speech communication were identified, which were reduced to five essential categories. After the qualitative analysis, the methods of Data Mining were used with the purpose of extracting systems of rules for the classification of the type of speech, beginning with 18 variables derived from each tweet, including date, favorites or the type of software used for the tweet, among others. The results show that disruptive events are followed by communications that show spatial temporal and textual patterns clearly identifiable; this allows the authors to propose a methodology to classify in a very precise way, those messages that contain hate or violent speech.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle