Automated Identification of Microaggressions
Notice bibliographique
Résumé
Building a successful community requires people with diverse backgrounds to feel included. United Nations’ Sustainable Development Goals for promoting peaceful and inclusive societies (SDG 16), emphasize the importance of this matter to our world. One element of human communication which makes marginalized groups feel excluded are Microaggressions (MAs). MAs are linguistically subtle statements that uphold stereotypes and contain offensive content. Often such comments are not said with the intent to cause harm but come from an individual’s biases. They can make the recipients of the statements feel excluded, with the offender typically unaware of the impacts on the recipient. Increasing awareness of the harms of MAs and flagging cases of MA statements when they are made can decrease these negative experiences for marginalized group members. This can educate people by examples and help them stop the unintended negative impacts of their statements.To this end, we are building an automated solution for detecting MAs. Our proposed solution uses Natural Language Processing (NLP) and machine learning (ML) models for MA detection on text data. Moreover, to better educate people and contextualize the statement, our proposed solution has the ability to classify MAs based on the aspect of one’s identity that is being targeted. For both tasks, we have built ML classifiers using NLP tokenizers. More specifically, we have built a binary classifier to detect MAs and a multi-class classifier to identify the category of MAs. We have trained several ML models for each task and compared their performance. Our results show a high accuracy of 94.21% and 89.37% for our binary and multi-class classifiers for detecting and categorizing MAs, respectively. These models outperform the state of the art models in this area. We have built tools around these models that can be used by others and our future work discusses other potential tools that can be built around these models to assist people.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».