[论文解读] Dead or Murdered? Predicting Responsibility Perception in Femicide News Reports

Gosse Minnema, Sara Gemelli+3 more|University of Groningen research database (University of Groningen / Centre for Information Technology)|Sep 24, 2022

Hate Speech and Cyberbullying Detection被引用 5

一句话总结

本研究探讨了意大利女性杀戮新闻报道中的语言框架如何通过自然语言处理（NLP）与人类感知调查影响责任感知。研究提出了一种微调后的 BERT 模型，能够以优异性能预测责任显著性，表明语言选择显著影响对施暴者与受害者责任的感知。

ABSTRACT

Different linguistic expressions can conceptualize the same event from different viewpoints by emphasizing certain participants over others. Here, we investigate a case where this has social consequences: how do linguistic expressions of gender-based violence (GBV) influence who we perceive as responsible? We build on previous psycholinguistic research in this area and conduct a large-scale perception survey of GBV descriptions automatically extracted from a corpus of Italian newspapers. We then train regression models that predict the salience of GBV participants with respect to different dimensions of perceived responsibility. Our best model (fine-tuned BERT) shows solid overall performance, with large differences between dimensions and participants: salient _focus_ is more predictable than salient _blame_, and perpetrators' salience is more predictable than victims' salience. Experiments with ridge regression models using different representations show that features based on linguistic theory similarly to word-based features. Overall, we show that different linguistic choices do trigger different perceptions of responsibility, and that such perceptions can be modelled automatically. This work can be a core instrument to raise awareness of the consequences of different perspectivizations in the general public and in news producers alike.

研究动机与目标

• 探讨意大利女性杀戮新闻报道中的语言表达如何塑造对性别暴力（GBV）责任的认知。
• 利用大规模 GBV 描述调查数据，通过 NLP 技术建模人类对责任归属的感知。
• 评估语言特征（尤其是框架语义与句法结构）是否能预测对施暴者与受害者的责任感知。
• 评估不同 NLP 模型（包括 BERT 与岭回归）在预测人类感知评分方面的表现。
• 通过数据驱动的洞察，提高媒体从业者与公众对 GBV 报道中框架效应的认识。

提出的方法

• 使用最先进的语义解析器（Xia et al., 2021）从意大利报纸语料库中自动提取 GBV 事件描述。
• 通过 Qualtrics 平台开展大规模在线调查，收集人类感知判断，要求参与者对施暴者、受害者及抽象原因（如嫉妒）的责任感知进行评分。
• 以感知评分为目标，训练回归模型——包括基于语言特征的岭回归与微调后的 BERT 模型。
• 将框架语义（Fillmore, 2006）与句法结构（主动/被动、名词化）作为关键语言特征，用于预测责任显著性。
• 通过预测值与人工标注的责任感知评分之间的相关性，评估模型性能。
• 采用双重用途缓解策略：公开发布模型与数据，并附详细文档，以防止滥用并确保伦理解读。

实验结果

研究问题

• RQ1 意大利女性杀戮新闻报道中不同语言结构（如主动与被动、名词化）如何影响责任归属的感知？
• RQ2 NLP 模型在多大程度上能够预测 GBV 报道中对施暴者与受害者责任感知？
• RQ3 基于框架的语言特征与词级特征相比，在预测责任感知方面表现如何？
• RQ4 与责任显著性相比，责备感知是否更具可预测性？
• RQ5 基于 Transformer 的模型（如 BERT）是否在预测 GBV 叙事中责任感知方面优于传统回归模型？

主要发现

• 微调后的 BERT 模型在预测人类责任感知方面表现优异，证明了大规模建模感知的可行性。
• 责备显著性比焦点显著性更难预测，表明对谁被责备的感知更具可变性与情境依赖性。
• 施暴者责任显著性比受害者责任显著性更易预测，表明关于施暴者的语言线索与感知关联更一致。
• 基于框架语义的语言特征在岭回归模型中的表现与词级特征相当，支持框架表示在理论上的相关性。
• 研究证实，语言框架——尤其是句法及物性与施事性——显著影响责任感知，与关于受害者责备的心理语言学发现一致。
• 结果表明，媒体语言选择可微妙地改变责任归属，对公众理解与媒体伦理具有重要启示。