Tension Analysis in Survivor Interviews: A Computational Approach
Notice bibliographique
Résumé
This study aims to develop computational techniques to analyze and identify points of tensions in interviews with survivors of the 1994 Rwandan genocide. Oral history interviews are a dialogical source composed of questions and answers, producing a conversational narrative. Yet survivor testimony is often approached as though the questions did not exist. This article examines a digital tool that helps us visualize and better understand the underlying interview dynamic that is the heart of oral history and qualitative research more generally. Our tension detection tool identifies those moments in the interview when the interviewer and interviewee are trying to pull the conversation in different directions. This is part of the natural give-and-take of the interview. Hedging, deflection, hesitation, and boosting are all critical components of this interviewer-interviewee tension. By making the interview dynamic central to our analysis, we aim to better understand how the interview dynamic shapes what is being said and what is left unsaid. In this study, we address key components of interview tension and propose a natural language processing model that can efficiently incorporate these components in text-based oral history interviews to identify tension points. With experiments on an annotated transcript, we verify the efficacy of our model. This model provides a framework that can be utilized in future research on the dialogic of the interview.Cette étude vise à développer des techniques computationnelles pour analyser et identifier des points de tensions dans des interviews avec des survivants du génocide rwandais en 1994. Les interviews d’histoire orale sont une source dialogique composée de questions et de réponses, ce qui produit une narration conversationnelle. Cependant, le témoignage de survivant est souvent traité comme si les questions n’existaient pas. Cet article examine un outil numérique qui nous aide à visualiser et à mieux comprendre la dynamique d’interview sous-jacente qui est au cœur de l’histoire orale et, plus généralement, au cœur de la recherche qualitative. Notre outil détecteur de tensions identifie ces moments dans l’interview lorsque l’intervieweur et l’interviewé sont en train d’essayer de guider la conversation dans des directions différentes. Cela fait partie de l’interaction bidirectionnelle naturelle d’une interview. Le non-engagement, le détournement, l’hésitation et l’exagération sont tous des composants essentiels dans la tension intervieweur-interviewé. En mettant la dynamique d’interview au centre de notre analyse, nous aspirons à mieux comprendre comment la dynamique d’interview structure ce qui est dit et ce qui n’est pas dit. Dans cette étude, nous abordons des composants clés de la tension d’interview et proposons un modèle de traitement de langue naturelle qui peut incorporer de façon efficace ces composants dans des interviews d’histoire orale numérisées afin d’identifier des points de tensions. Avec des expériences sur un transcrit annoté, nous vérifions l’efficacité de notre modèle. Ce modèle fournit un cadre à utiliser dans de futures recherches sur la dialogique de l’interview.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».