Melawan kebencian di media sosial

Melawan kebencian di media sosial


Newswise – Maraknya ujaran kebencian online adalah tren yang mengganggu dan berkembang di negara-negara di seluruh dunia, dengan konsekuensi psikologis yang serius dan potensi untuk berdampak, dan bahkan berkontribusi pada, kekerasan di dunia nyata. Pidato balasan yang dibuat oleh warga negara dapat membantu mencegah retorika online yang penuh kebencian, tetapi sulit untuk mengukur dan mempelajarinya. Sampai saat ini, penelitian telah dibatasi pada usaha skala kecil dengan label tangan.

Sebuah makalah baru yang diterbitkan dalam prosiding Konferensi 2020 tentang Metode Empiris dalam Pemrosesan Bahasa Alami (EMNLP) menawarkan kerangka kerja untuk mempelajari dinamika kebencian online dan pidato balasan. Makalah ini menawarkan klasifikasi skala besar pertama dari jutaan interaksi semacam itu di Twitter. Para penulis mengembangkan algoritme pembelajaran untuk menilai data dari situasi unik di Twitter Jerman, dan temuan menunjukkan bahwa gerakan terorganisir untuk melawan ujaran kebencian di media sosial lebih efektif daripada individu yang menyerang sendiri.

Penulis akan mempresentasikan makalah mereka, “Melawan kebencian di media sosial: Klasifikasi skala besar dari kebencian dan perkataan balik” selama 20 November 2020, Lokakarya tentang Penyalahgunaan dan Bahaya Online, yang berjalan sehubungan dengan EMNLP 2020.

“Saya telah melihat perubahan besar dalam wacana sipil dalam dua atau tiga tahun terakhir ke arah yang jauh lebih penuh kebencian dan jauh lebih terpolarisasi,” kata Joshua Garland, seorang matematikawan dan Rekan Kompleksitas Terapan di Santa Fe Institute. “Jadi, bagi saya, pertanyaan yang menarik adalah: apa tanggapan yang tepat saat Anda ditindas di dunia maya atau saat Anda menerima perkataan yang mendorong kebencian secara online? Apakah Anda menanggapi? Apakah Anda mencoba membuat teman Anda membantu melindungi Anda? Apakah Anda baru saja memblokir orang itu? ”

Untuk mempelajari pertanyaan semacam itu secara ilmiah, para peneliti pertama-tama harus memiliki akses ke banyak data dunia nyata tentang ujaran kebencian dan tandingan, serta kemampuan untuk membedakan keduanya. Data itu ada, dan Garland dan kolaborator Keyan Ghazi-Zahedi di Max Planck Institute di Jerman menemukannya dalam interaksi lima tahun yang dimainkan di Twitter Jerman: Saat kelompok sayap kanan turun ke platform dengan ujaran kebencian, sebuah organisasi gerakan naik untuk melawannya.

“Keindahan dari kedua kelompok ini adalah mereka memberi label sendiri,” jelas Mirta Galesic, ilmuwan sosial tim dan profesor dinamika sosial manusia di SFI. Dia mengatakan para peneliti yang mempelajari pidato tandingan biasanya harus mempekerjakan ratusan siswa untuk membuat kode tangan ribuan posting. Tapi Garland dan Ghazi-Zahedi dapat memasukkan posting berlabel sendiri ke dalam algoritma pembelajaran mesin untuk mengotomatiskan sebagian besar klasifikasi. Tim juga mengandalkan 20-30 pengkode manusia untuk memeriksa apakah klasifikasi mesin sesuai dengan intuisi tentang apa yang dianggap sebagai kebencian dan kontra-pidato.

Hasilnya adalah kumpulan data dengan ukuran yang belum pernah terjadi sebelumnya yang memungkinkan para peneliti untuk menganalisis tidak hanya contoh-contoh kebencian dan perkataan balasan, tetapi juga membandingkan interaksi jangka panjang antara keduanya.

Tim mengumpulkan satu kumpulan data dari jutaan tweet yang diposting oleh anggota dari dua grup, menggunakan tweet yang diidentifikasi sendiri ini untuk melatih algoritme klasifikasi mereka untuk mengenali kebencian dan perkataan balasan. Kemudian, mereka menerapkan algoritme mereka untuk mempelajari dinamika sekitar 200.000 percakapan yang terjadi antara tahun 2013 dan 2018. Penulis berencana untuk segera menerbitkan makalah lanjutan yang menganalisis dinamika yang diungkapkan oleh algoritme mereka.

“Sekarang kami dapat menyelesaikan kumpulan data besar-besaran dari 2016 hingga 2018 untuk melihat bagaimana proporsi kebencian dan tanggapan balik berubah dari waktu ke waktu, siapa yang mendapatkan lebih banyak suka, siapa yang di-retweet, dan bagaimana mereka membalas satu sama lain,” kata Galesic.

Kuantitas data, anugerah yang luar biasa, juga membuatnya “sangat rumit”, catat Garland. Para peneliti sedang dalam proses membandingkan taktik untuk kedua kelompok dan mengejar pertanyaan yang lebih luas seperti apakah strategi kontra-pidato tertentu lebih efektif daripada yang lain.

“Yang saya harapkan adalah kita dapat menemukan teori sosial yang ketat yang memberi tahu orang-orang bagaimana melawan kebencian dengan cara produktif yang tidak berpolarisasi,” kata Garland, “dan mengembalikan Internet ke wacana sipil.”


Diposting Oleh : http://54.248.59.145/

About the author