L'impatto dei meme tossici nella cultura digitale
Analizzando meme nocivi e i loro effetti sulla società.
― 6 leggere min
Indice
- Cosa Sono i Meme Tossici?
- La Crescita della Ricerca sui Meme Tossici
- Metodologia per la Ricerca
- Risultati Chiave
- Nuovi Documenti Rivisti
- Dataset e la Loro Importanza
- Tassonomia delle Tossicità dei Meme
- Sfide nella Ricerca
- Il Ruolo del Contesto e della Conoscenza di Base
- Tendenze nell'Analisi dei Meme Tossici
- Maggiore Focalizzazione sull'Analisi multimodale
- Uso Maggiore della Tecnologia
- Necessità di AI Spiegabile
- Affrontare le Lingue a Basse Risorse
- Direzioni Future per la Ricerca
- Conclusione
- Fonte originale
- Link di riferimento
I meme di internet sono un modo comune di comunicare online, spesso mescolando immagini e testo per condividere idee, emozioni o riferimenti culturali. Anche se molti meme sono leggeri e divertenti, alcuni trasmettono messaggi dannosi. Questo articolo parla dei "meme tossici", che diffondono idee negative, odio o disinformazione. Sottolinea l'importanza crescente di studiare questi meme per capire e combattere gli impatti negativi che possono avere su individui e società.
Cosa Sono i Meme Tossici?
I meme tossici possono essere definiti come quelli che promuovono contenuti dannosi, come discorsi d'odio, disinformazione o stereotipi offensivi. Spesso si diffondono rapidamente sui social media e possono avere effetti seri sulle attitudini e comportamenti delle persone. L'accessibilità e la condivisione dei meme li rendono strumenti potenti di comunicazione, ma possono anche alimentare ideologie divisive e distruttive.
La Crescita della Ricerca sui Meme Tossici
Negli ultimi anni, c'è stata un'aumento nella ricerca focalizzata sui meme tossici. Studi analizzano come funzionano questi meme e i loro effetti. Tuttavia, la letteratura esistente spesso usa termini poco chiari e manca di sondaggi completi, portando a confusione nella comprensione della tossicità dei meme. Nuove ricerche mirano a colmare questo divario rivedendo e categorizzando sistematicamente i meme tossici.
Metodologia per la Ricerca
Studi recenti seguono un approccio strutturato per rivedere la letteratura esistente sui meme tossici. Questo include la raccolta di dati da varie fonti, valutando sia i lavori appena pubblicati che la ricerca consolidata. L'obiettivo è creare un quadro chiaro della comprensione attuale dei meme tossici e identificare aree che necessitano di ulteriori esplorazioni.
Risultati Chiave
Nuovi Documenti Rivisti
La ricerca ha identificato numerosi nuovi documenti relativi ai meme tossici, espandendo significativamente il corpo di conoscenze esistenti. Questi studi coprono vari approcci computazionali per analizzare i meme, includendo:
- L'uso di dataset per categorizzare diversi tipi di contenuti tossici.
- Metodologie per migliorare la comprensione di cosa rende un meme tossico.
- L'introduzione di nuovi termini e classificazioni per la tossicità dei meme.
Dataset e la Loro Importanza
Ci sono molti dataset disponibili che i ricercatori usano per studiare i meme tossici. Questi dataset provengono da varie fonti, comprese piattaforme social e siti web specifici per meme. Forniscono preziose informazioni sulle caratteristiche dei meme tossici, inclusi come vengono etichettati e i contesti in cui vengono condivisi.
Tassonomia delle Tossicità dei Meme
Per comprendere meglio i diversi tipi di meme tossici, i ricercatori hanno proposto un nuovo sistema di classificazione. Questa tassonomia categorizza i meme in base al loro obiettivo, intento e tattiche usate. Mira a chiarire cosa costituisce vari tipi di tossicità e migliorare la comunicazione nel campo.
Sfide nella Ricerca
Nonostante i progressi, ci sono ancora sfide significative nello studio dei meme tossici. Queste sfide includono:
- Ambiguità nelle definizioni e categorie di tossicità.
- La necessità di linee guida più chiare su come etichettare e categorizzare i meme.
- La complessità di analizzare meme che spesso combinano più forme di tossicità.
Contesto e della Conoscenza di Base
Il Ruolo delCapire i meme richiede una conoscenza del contesto culturale e sociale in cui esistono. I meme fanno riferimento a vari elementi culturali e richiedono un certo livello di "alfabetizzazione meme" per interpretarli correttamente. Questo rende cruciale per i ricercatori e gli analisti considerare la conoscenza di base quando valutano il contenuto dei meme.
Tendenze nell'Analisi dei Meme Tossici
Analisi multimodale
Maggiore Focalizzazione sull'Le tendenze recenti si concentrano sulla comprensione dei meme esaminando sia gli elementi testuali che visivi. La combinazione di immagini e testo consente interpretazioni più sfumate del significato di un meme, poiché i due possono interagire in modi complessi.
Uso Maggiore della Tecnologia
L'aumento della tecnologia, come i Modelli di Linguaggio di Grandi Dimensioni (LLMs) e gli algoritmi di deep learning, ha fornito nuovi strumenti per analizzare i meme. Questi modelli possono aiutare a rilevare la tossicità e interpretare meglio i meme, consentendo ai ricercatori di ottenere approfondimenti più profondi sul loro contenuto.
Necessità di AI Spiegabile
Poiché l'AI gioca un ruolo sempre più prominente nell'analisi dei meme, c'è una crescente domanda di AI spiegabile. Questo si riferisce alla necessità di comprendere come questi sistemi arrivano a conclusioni specifiche sui meme, assicurando che il ragionamento dietro le classificazioni tossiche sia chiaro e giustificabile.
Affrontare le Lingue a Basse Risorse
La necessità di analisi dei meme va oltre l'inglese. Con i social media che sono una piattaforma globale, c'è una spinta a creare risorse e strumenti che soddisfino più lingue. Questo sforzo include lo sviluppo di dataset e modelli che possono identificare accuratamente i meme tossici in vari contesti culturali.
Direzioni Future per la Ricerca
Per avanzare nello studio dei meme tossici, ci sono diverse aree chiave che necessitano di ulteriore esplorazione:
Ragionamento Cross-Modale: Gli studi futuri dovrebbero concentrarsi su modelli che possono interpretare efficacemente l'interazione tra testo e immagini nei meme. Questo include comprendere come questi elementi si combinano per trasmettere significato.
Integrazione della Conoscenza Culturale: I ricercatori devono esplorare l'incorporazione della conoscenza culturale nell'analisi dei meme. Questo migliorerebbe la comprensione di come i meme funzionano all'interno di specifiche comunità e contesti.
Espansione delle Risorse Linguistiche: Una focalizzazione sulle lingue a basse risorse è vitale per assicurare che l'analisi dei meme sia inclusiva. Devono essere sviluppati più dataset e strumenti per affrontare questa necessità.
Considerazioni Etiche: Con l'aumento dei sistemi automatizzati, è importante considerare le implicazioni etiche della moderazione dei meme. Dovrebbero essere elaborate strategie per assicurare che la moderazione non danneggi involontariamente le voci marginalizzate.
Consapevolezza Pubblica e Educazione: Incoraggiare l'alfabetizzazione mediatica e la consapevolezza pubblica sugli impatti dei meme tossici è cruciale. L'educazione può dare potere agli utenti per impegnarsi critici con i contenuti e riconoscere le narrazioni dannose.
Conclusione
I meme tossici sono una preoccupazione significativa nella comunicazione digitale moderna. Con questi meme che continuano a proliferare sui social media, cresce la necessità di una ricerca approfondita e di comprensione. Categorizzando i meme tossici, analizzando i loro impatti e incorporando il contesto culturale, i ricercatori possono sviluppare strategie efficaci per combattere la diffusione di contenuti dannosi. Man mano che la tecnologia evolve, così devono anche i nostri approcci per comprendere e mitigare i rischi associati ai meme tossici.
Titolo: Toxic Memes: A Survey of Computational Perspectives on the Detection and Explanation of Meme Toxicities
Estratto: Internet memes, channels for humor, social commentary, and cultural expression, are increasingly used to spread toxic messages. Studies on the computational analyses of toxic memes have significantly grown over the past five years, and the only three surveys on computational toxic meme analysis cover only work published until 2022, leading to inconsistent terminology and unexplored trends. Our work fills this gap by surveying content-based computational perspectives on toxic memes, and reviewing key developments until early 2024. Employing the PRISMA methodology, we systematically extend the previously considered papers, achieving a threefold result. First, we survey 119 new papers, analyzing 158 computational works focused on content-based toxic meme analysis. We identify over 30 datasets used in toxic meme analysis and examine their labeling systems. Second, after observing the existence of unclear definitions of meme toxicity in computational works, we introduce a new taxonomy for categorizing meme toxicity types. We also note an expansion in computational tasks beyond the simple binary classification of memes as toxic or non-toxic, indicating a shift towards achieving a nuanced comprehension of toxicity. Third, we identify three content-based dimensions of meme toxicity under automatic study: target, intent, and conveyance tactics. We develop a framework illustrating the relationships between these dimensions and meme toxicities. The survey analyzes key challenges and recent trends, such as enhanced cross-modal reasoning, integrating expert and cultural knowledge, the demand for automatic toxicity explanations, and handling meme toxicity in low-resource languages. Also, it notes the rising use of Large Language Models (LLMs) and generative AI for detecting and generating toxic memes. Finally, it proposes pathways for advancing toxic meme detection and interpretation.
Autori: Delfina Sol Martinez Pandiani, Erik Tjong Kim Sang, Davide Ceolin
Ultimo aggiornamento: 2024-06-11 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2406.07353
Fonte PDF: https://arxiv.org/pdf/2406.07353
Licenza: https://creativecommons.org/licenses/by-nc-sa/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.
Link di riferimento
- https://www.latex-project.org/lppl.txt
- https://www.aim4dem.nl/
- https://www.4chan.org
- https://encyclopediadramatica.online
- https://alternativasindical.es/wp-content/uploads/ponencia-Sr.-Docal.pdf
- https://en.hive-mind.community/tools
- https://github.com/digitalmethodsinitiative/4cat
- https://github.com/Social-AI-Studio/MATK
- https://arxiv.org/pdf/2205.04402.pdf
- https://docs.google.com/spreadsheets/d/1BlnxywxfP-p8TZqTL_4rbNoKwRn4ccExr1PICBSYgWg/edit?usp=sharing
- https://arxiv.org/pdf/2109.05184.pdf
- https://arxiv.org/pdf/2210.05916.pdf
- https://github.com/miccunifi/ISSUES
- https://github.com/delfimpandiani/toxic_memes
- https://globalextremism.org/global-extremist-symbols-database/
- https://www.scopus.com/
- https://www.webofscience.com/
- https://www.prisma-statement.org/