Measuring Stereotypes using Entity-Centric Data

要約

固定観念は、私たちが自分自身や他人をどのように表現するか、そしてひいては私たちがどのように行動するかを知らせます。
したがって、それらを測定することが重要です。
最近の研究では、BERT などの分布セマンティック モデル (DSM) からの埋め込みの投影を使用して、これらの測定を実行しています。
ただし、DSM は、ステレオタイプ化の対人関係の性質に必ずしも関連しない認知的関連をキャプチャします。
ここでは、Twitter と Wikipedia の伝記からステレオタイプを学習するための 3 つの新しいエンティティ中心の方法を提案し、評価します。
モデルは、複数のフレーズが同じ人物に適用されるという事実を利用してトレーニングされ、学習された関連付けの人物中心の性質が拡大されます。
我々は、これらのモデルが、1) 人々が自分自身や他人にどのアイデンティティを適用するかを予測すること、2) 顕著な社会的側面 (性別など) に関するステレオタイプを定量化することに関して、ステレオタイプ測定に対する既存のアプローチよりも優れていることを示します。
ケーススタディを通じて、計算社会科学における将来の問題に対するこれらのモデルの有用性も示します。

要約(オリジナル)

Stereotypes inform how we present ourselves and others, and in turn how we behave. They are thus important to measure. Recent work has used projections of embeddings from Distributional Semantic Models (DSMs), such as BERT, to perform these measurements. However, DSMs capture cognitive associations that are not necessarily relevant to the interpersonal nature of stereotyping. Here, we propose and evaluate three novel, entity-centric methods for learning stereotypes from Twitter and Wikipedia biographies. Models are trained by leveraging the fact that multiple phrases are applied to the same person, magnifying the person-centric nature of the learned associations. We show that these models outperform existing approaches to stereotype measurement with respect to 1) predicting which identities people apply to themselves and others, and 2) quantifying stereotypes on salient social dimensions (e.g. gender). Via a case study, we also show the utility of these models for future questions in computational social science.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google