The Uli Dataset: An Exercise in Experience Led Annotation of oGBV

要約

オンラインでのジェンダーに基づく暴力は、インターネットとソーシャルメディアの普及と同時に増加しました。
その影響は、多くのユーザーが英語以外の言語でソーシャルメディアを使用する世界の大多数においてさらに悪化します。
インターネット上の会話の規模と量により、ヘイトスピーチ、特にジェンダーに基づく虐待を自動検出する必要性が生じています。
ただし、このような自動化ツールを構築するための言語固有のコンテキスト データが不足しています。
この論文では、ヒンディー語、タミル語、インド英語の 3 つの言語での性別による虐待に関するデータセットを紹介します。
このデータセットは、女性または南アジアの LGBTQIA コミュニティのメンバーであると認識する専門家による、性的虐待の経験に関する 3 つの質問に沿って注釈が付けられたツイートで構成されています。
このデータセットを通じて、AI システムを推進するデータセットを作成するための参加型アプローチを実証します。

要約(オリジナル)

Online gender based violence has grown concomitantly with adoption of the internet and social media. Its effects are worse in the Global majority where many users use social media in languages other than English. The scale and volume of conversations on the internet has necessitated the need for automated detection of hate speech, and more specifically gendered abuse. There is, however, a lack of language specific and contextual data to build such automated tools. In this paper we present a dataset on gendered abuse in three languages- Hindi, Tamil and Indian English. The dataset comprises of tweets annotated along three questions pertaining to the experience of gender abuse, by experts who identify as women or a member of the LGBTQIA community in South Asia. Through this dataset we demonstrate a participatory approach to creating datasets that drive AI systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google