Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Modélisation d'une chambre d'écho à puits gravitationnel avec un modèle de biais de confirmation basé sur LLM

Created by
  • Haebom

Auteur

Joseph Jackson, Georgiy Lapin, Jeremy E. Thompson

Contour

Cet article présente un nouveau modèle d'analyse du phénomène des chambres d'écho dans les médias sociaux. En étendant le modèle existant du « puits de gravité », nous ajoutons une variable qui reflète dynamiquement le biais de confirmation d'un utilisateur. Cette variable est calculée en comparant l'historique de publication d'un utilisateur avec ses réponses aux publications sous différents angles. Le modèle amélioré intègre le biais de confirmation pour identifier plus précisément les chambres d'écho et fournit un indicateur de la santé de l'information à l'échelle de la communauté. Nous avons validé le modèle sur 19 communautés Reddit, confirmant ses performances améliorées en matière de détection des chambres d'écho. En conclusion, cette étude fournit un cadre qui capture systématiquement le rôle du biais de confirmation dans la dynamique de groupe en ligne, ce qui peut contribuer à une identification plus efficace des chambres d'écho et à la lutte contre la désinformation.

Takeaways, Limitations

Takeaways:
Nous améliorons la précision des modèles existants en proposant un modèle de chambre d’écho qui prend en compte le biais de confirmation.
Il fournit de nouvelles mesures permettant d’identifier plus efficacement les chambres d’écho et d’évaluer la santé informationnelle d’une communauté.
Elle peut contribuer à gérer efficacement les chambres d’écho, l’une des principales causes de la propagation de la désinformation.
Limitations:
Des recherches supplémentaires sont nécessaires pour généraliser les résultats de la communauté Reddit à d’autres plateformes ou types de communautés en ligne.
Une validation supplémentaire de la méthode de calcul et de la précision de la variable de biais de confirmation peut être nécessaire.
Des recherches supplémentaires sont nécessaires sur l’application pratique et l’efficacité du modèle.
👍