[論文レビュー] Estimating collective judgement of rumours in social media.

Michał Łukasik, Trevor Cohn+1 more|arXiv (Cornell University)|Jun 1, 2015

Misinformation and Its Impacts参考文献 13被引用数 6

ひとこと要約

本稿では、共有された特徴と個別的特徴を持つリマインドに対して一般化できるように、アノテート済みの例を活用してソーシャルメディアにおけるフェイクニュースの集団的判断を推定する教師あり学習手法を提案する。7つのフェイクニュースに関する数え千件のツイートを対象とした評価により、個々の判断および集団的判断の両方の予測が成功した。

ABSTRACT

Social media is a rich source of rumours and corresponding community reactions. Determining the extent of community belief in a rumour is of value for marketing, politics and journalism. Moreover, collective judgements have been shown to correlate with ground truth. We formulate the problem of estimating the collective judgement of a rumour in social media as a supervised learning using annotated examples. Rumours reflect different characteristics, some shared and some individual. We consider both supervised and unsupervised domain adaptation, in which rumour predictions are made on the basis of other annotated rumours. Evaluation on a set of several thousands tweets on seven rumours shows that we can successfully predict individual and collective judgements.

研究の動機と目的

• ソーシャルメディアプラットフォームにおけるフェイクニュースに関する集団的人の判断をモデル化し予測すること。
• 限られたアノテート済みデータを用いてフェイクニュースにおけるコミュニティの信念を推定する課題に対処すること。
• フェイクニュース間の一般化を図るため、教師ありおよび教師なしドメイン適応技術を検討すること。
• 複数のフェイクニュースを含む実世界のソーシャルメディアデータを用いて、これらの手法の有効性を評価すること。

提案手法

• アノテート済みソーシャルメディア投稿を用いて、フェイクニュース判断推定を教師あり学習問題として定式化する。
• アノテート済みフェイクニュースから新しい未アノテートフェイクニュースへ知識を転送するために、教師ありドメイン適応を適用する。
• 追加のアノテーションを必要とせずに、フェイクニュース間でモデルを適応させるために、教師なしドメイン適応を用いる。
• ツイートの内容およびコミュニティの反応から導出される特徴を用いて、フェイクニュースの特徴を表現する。
• 7つの異なるフェイクニュースにわたる数千件のツイートからなるデータセット上でモデルを学習および評価する。

実験結果

リサーチクエスチョン

• RQ1 アノテート済み例を用いた教師あり学習によって、ソーシャルメディアにおけるフェイクニュースの集団的判断を正確に推定できるか？
• RQ2 ドメイン適応は、異なるフェイクニュース間での判断予測の性能向上にどの程度効果的か？
• RQ3 フェイクニュースの共有特徴と個別特徴が、予測性能にどの程度影響を与えるか？
• RQ4 教師なしドメイン適応は、追加のアノテーションなしに新しいフェイクニュースへ効果的に一般化できるか？

主な発見

• 提案手法は、アノテート済みの学習データを用いて、フェイクニュースにおける個々の判断および集団的判断の両方を成功裏に予測した。
• 類似したフェイクニュース間で知識を転送する際、教師ありドメイン適応が予測性能の向上に寄与した。
• 教師なしドメイン適応により、追加のアノテーションを必要とせずに新しいフェイクニュースへの一般化が効果的に可能となった。
• 多様なフェイクニュースにおいても安定した性能を達成したため、フェイクニュースの特徴の変動に対してモデルが頑健であることが示された。