議会のツイートにおける言語バイアス
特異性と感情が政治コミュニケーションにおけるバイアスをどう明らかにするかを調べる。
― 1 分で読む
言語におけるバイアスは、特にSNSでどう現れるかが大きな話題になってるね。多くの人はバイアスを考えると否定的な言葉を思い浮かべるけど、他にもバイアスが現れる方法があるんだ。この記事では、議員のツイートを例にとって、言語のいろんな特徴が社会的状況によってどう変わるかを見ていくよ。特に、「具体性」と「感情」という二つの特徴に注目するね。具体性は、発言がどれだけ詳しいか曖昧かを指していて、感情は、話しているトピックに対する話者の気持ちを表すよ。
背景
コミュニケーション中、私たちが使う言語は、私たちの気持ちや態度を反映することがあるんだ。社会心理学の研究によれば、バイアスは否定的な言葉だけにとどまらない。話すたびに、私たちの言葉は他者との関係に基づいたバイアスを示す場合がある。つまり、話す相手や内容によって、すべての言語はある程度バイアスを持っているってこと。
従来、言語におけるバイアスの研究は、否定的な用語やフレーズに焦点を当ててきたけど、これは重要だけど大きな全体像を見逃すことになる。言語の生産全体が社会関係についての情報を明らかにする可能性があるんだ。いろんな社会的状況で言語がどう変わるかを調べることで、バイアスのもっと微妙な側面についての洞察を得ることができるよ。
バイアスへの新しい視点
この記事では、ツイートに使われる言語を見て、バイアスへの新たな視点を提供するよ。ツイートはリアルなやりとりを反映していて、多くの心理学研究が人工的な状況に依存するのとは異なり、自然なデータの源になっているんだ。私たちは、同じグループや政党のメンバーを指すツイートと、外部のメンバーを指すツイートで、具体性と感情がどのように使われるかを見たいんだ。
具体性は、どれだけ詳しいかを指すよ。例えば、「多くの人が参加した」って言うのは、「20人が参加した」って言うよりも具体性がない。感情は、発言の背後にある気持ちを捉えるもの。ツイートは、言及される人に対して賛成の気持ちや批判の気持ちを表現することができるんだ。
具体性と感情の重要性
この二つの特徴が、言語におけるバイアスの現れ方を理解するのに役立つよ。具体性を研究することで、人々が異なるグループについて話す時に、明確に話しているのか、曖昧な言葉を使っているのかがわかる。感情は、話し手が言及したグループに対してポジティブなのかネガティブなのかを特定するのに役立つんだ。
以前の言語バイアスに関する理論では、イングループの行動はもっと抽象的または一般的に記述され、アウトグループの行動はより具体的に表現されると言われてきた。でも、この研究は具体性と感情のような測定可能な特徴を使って、その考えを広げようとしているんだ。
方法論
これらの特徴を探るために、アメリカ合衆国の議会メンバーからのツイートを集めて分析したよ。各ツイートが同じ政党のメンバー(イングループ)を指しているのか、異なる政党のメンバー(アウトグループ)を指しているのかを評価したんだ。それから、これらのツイートで具体性と感情がどのように使われているかのパターンを探ったよ。
ツイートに使われる言語を分析するために、カウンターファクチュアルプロービングという方法を使ったんだ。この方法は、イングループの関係を予測するために訓練されたモデルが、決定を下す際に具体性や感情のような要因に依存しているかを調査するのに役立つんだ。
主な発見
分析の結果、感情とイングループの関係の間に中程度の相関があることがわかったよ。ポジティブな感情があるツイートはイングループのメンバーを指す可能性が高く、ネガティブな感情のツイートは通常アウトグループのメンバーを指していることが多かった。これは、ツイートの感情的なトーンが社会的関係を決定する上で重要な役割を果たすことを示唆してる。
ただし、具体性に関しての発見はあまり明確じゃなかったよ。私たちの調査では、具体性とイングループの参照の間に有意な相関は見られなかった。これは驚きで、具体性に基づく明確な違いが見られると思っていたから。感情がツイートの社会的関係の強力な予測因子である一方で、具体性は同じ影響を持たないみたい。
ツイートを評価するために使ったモデルに関してさらに調査を行ったところ、モデルはイングループの関係について予測を行う際に感情を認識し利用できる一方、具体性についてはうまくできていないことがわかった。これは、モデルが感情と同じ方法で具体性を取り入れるのに苦労していることを示唆してる。
言語におけるバイアスの影響
感情と具体性が言語使用においてどのように機能するかを理解することは、コミュニケーションにおけるバイアスを認識するために重要だよ。バイアスはステレオタイプを助長したり、特に政治的な議論において微妙な方法で認識に影響を与えたりすることがあるんだ。政治家が同党のメンバーについて話す時と対立する政党のメンバーについて話す時、その選ぶ言葉は公共の理解や感情を形作る可能性がある。
例えば、イングループのメンバーについてあいまいでポジティブなツイートは、包摂感を生み出すかもしれないし、アウトグループのメンバーについてのネガティブで詳細な記述は、分断や敵対感を強化するかもしれない。こういったパターンを認識することで、政治コミュニケーションと社会関係のダイナミクスをよりよく理解できるようになるよ。
言語分析の課題
この研究での一つの課題は、言語特性を調整しようとした際の言語モデルの劣化だったよ。特定の感情や詳細度を強調しようとすると、基礎となる言語理解が損なわれてしまった。これは、言語モデルの操作における複雑さを浮き彫りにしていて、一つの側面を強化すると全体のパフォーマンスに悪影響を与えることがあるってこと。
もう一つの課題は、言語の内在的な変動性から来るものだったよ。分析したツイートは、さまざまなコミュニケーションスタイルを持つリアルな人たちが生み出したもので、文脈や個々のバイアスなど、他の要因によるノイズに遭遇せずに特定の特徴を孤立させるのが難しかったんだ。
今後の方向性
さらなる研究では、これらの発見が異なる領域や言語においてどのように一般化できるかを探るべきだね。日常会話やメディア報道など、さまざまな設定でのコミュニケーションを分析することが、言語におけるバイアスがどう機能するかについてのより広い理解を提供するかもしれない。
また、社会の態度や規範の変化が言語の具体性や感情の使い方にどのように影響するかを観察するのも有益だね。言語が進化し続ける中で、バイアスの表現も変化するかもしれない。
倫理的考慮事項
この分析を行うにあたって、倫理的な考慮事項は非常に重要だったよ。使用したデータは公的なツイートから来ていて、デジタル情報の責任ある使用に関するガイドラインに従っているんだ。公的なコミュニケーションに焦点を当てることで、個人の権利を尊重しつつ、社会的ダイナミクスについての洞察を得ることができたよ。
研究において倫理基準を維持し続けることは、言語データの使用が慎重で、元の話者の意図や文脈を尊重することにつながるから重要なんだ。
結論
要するに、この研究は、アメリカ合衆国の議会メンバーのツイートにおいて具体性と感情がどのようにバイアスに寄与するかを調査することで、言語バイアスの理解を深めることに貢献しているよ。発見は、感情的なトーンが社会関係に大きく影響する一方で、使用される言語の詳細度には同じ影響がないことを強調している。これらの特徴を認識し分析することで、コミュニケーションにおけるバイアスの意識が高まり、最終的には社会的ダイナミクスについての議論を改善する手助けになるんだ。
タイトル: Counterfactual Probing for the Influence of Affect and Specificity on Intergroup Bias
概要: While existing work on studying bias in NLP focues on negative or pejorative language use, Govindarajan et al. (2023) offer a revised framing of bias in terms of intergroup social context, and its effects on language behavior. In this paper, we investigate if two pragmatic features (specificity and affect) systematically vary in different intergroup contexts -- thus connecting this new framing of bias to language output. Preliminary analysis finds modest correlations between specificity and affect of tweets with supervised intergroup relationship (IGR) labels. Counterfactual probing further reveals that while neural models finetuned for predicting IGR labels reliably use affect in classification, the model's usage of specificity is inconclusive. Code and data can be found at: https://github.com/venkatasg/intergroup-probing
著者: Venkata S Govindarajan, Kyle Mahowald, David I. Beaver, Junyi Jessy Li
最終更新: 2023-06-02 00:00:00
言語: English
ソースURL: https://arxiv.org/abs/2305.16409
ソースPDF: https://arxiv.org/pdf/2305.16409
ライセンス: https://creativecommons.org/licenses/by/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。