Combating Islamophobia: Compromise, Community, and Harmony in Mitigating Harmful Online Content
Notice bibliographique
Résumé
Despite significant advances in content moderation within HCI, social computing scholarship in this area remains constrained by secular values and Western interpretations of justice. As a result, current literature often overlooks religious and spiritual sensibilities, as well as communal peacebuilding efforts even when the harms originate from and strongly connected to faith sensitivities, such as Islamophobia. This article presents findings from a design and evaluation study on the reporting and moderation of Islamophobic posts on Twitter (currently known as “X”). By utilizing HCI theories and readily available NLP techniques, we developed an online tool for reporting and moderating Islamophobic tweets. We subsequently conducted usability studies, contextual inquiries, and interviews with 32 participants to assess the tool’s effectiveness in addressing Islamophobic content. Our study revealed that factors such as faith-related knowledge practices, fact-checking, communal leadership, social harmony, and the cultural-religious value of “compromise” significantly influence reactions to Islamophobic posts online. Expanding on these findings and drawing from the literature on conflict resolution in theology, legal studies, and justification, we explore how “Sulha,” a community-driven process for mitigating conflict and restoring communal peace, can cater to faith-based sensibilities in reporting and moderating Islamophobic content. Therefore, this article complements existing content moderation literature by recommending the adaptation of faith sensitivities in the design of computing tools and policies to mitigate Islamophobia and similar faith-related online harms.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».