MARC

 008250123s2024        us                              c    eng  d
■001000017161341
■00520250211151342
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382843698
■035    ▼a(MiAaPQ)AAI31242337
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aChang,  Jonathan  Pei-Wah.▼0(orcid)0000-0002-3952-5475
■24510▼aTowards  Computational  Methods  for  Proactively  Supporting  Healthier  Online  Discussions
■260    ▼a[Sl]▼bCornell  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a266  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  A.
■500    ▼aAdvisor:  Danescu-Niculescu-Mizil,  Cristian.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2024.
■520    ▼aOne  of  the  biggest  problems  facing  online  platforms  today  is  the  prevalence  of  so-called  "toxic"  behavior,  such  as  personal  attacks,  harassment,  and  general  incivility.  While  a  common  computational  approach  for  addressing  this  problem  has  been  developing  algorithms  to  detect  toxicity,  we  argue  that  this  approach  reflects  an  overly  narrow  view  of  online  community  governance,  catering  specifically  to  the  use  case  of  platform-driven,  centralized  content  moderation,  while  overlooking  an  equally  important  perspective:  that  of  the  communities  of  ordinary  users  who  interact  on  these  platforms.  Therefore,  this  dissertation  takes  on  the  following  question:  how  can  technology  support  members  of  online  communities  in  having  healthier  interactions,  and  thereby  proactively  prevent  toxicity  from  taking  root?We  take  a  combined  social  and  technical  approach  to  answering  this  question.  From  the  social  perspective,  we  begin  with  a  close  examination  of  existing  practices  of  online  community  governance:  drawing  from  literature  in  diverse  fields  ranging  from  computer  science  to  sociology,  law,  and  political  science,  we  identify  concrete  ways  in  which  online  communities  proactively  prevent  toxicity  and  promote  pro-social  norms,  and  conduct  interviews  to  gain  more  qualitative  insights.  These  insights  guide  our  technical  approach:  inspired  by  interview  participants'  explanations  of  how  they  can  intuitively  tell  whether  a  conversation  might  later  derail  into  toxicity,  we  formalize  such  derailment  forecasting  as  a  novel  computational  task  and  argue  that  solving  it  requires  a  new  class  of  conversational  forecasting  models.  Finally,  bringing  together  the  technical  and  social  aspects,  we  develop  a  first-of-its-kind  concrete  implementation  of  a  conversational  forecasting  model  and  evaluate  it  via  an  "in-the-wild"  user  study  involving  ordinary  users  in  a  real  online  community.We  conclude  by  looking  back  on  our  findings  thus  far  and  comparing  them  with  our  higher-level,  long-term  goals  for  this  work.  From  this  comparison,  we  identify  current  shortcomings  and  unanswered  questions  that  should  be  tackled  in  future  work,  and  pull  in  insights  from  recent  developments  in  machine  learning,  natural  language  processing,  and  computational  social  science  to  build  a  concrete  roadmap  of  next  steps.
■590    ▼aSchool  code:  0058.
■650  4▼aComputer  science
■650  4▼aWeb  studies
■650  4▼aCommunication
■653    ▼aContent  moderation
■653    ▼aMachine  learning
■653    ▼aNatural  language  processing
■653    ▼aSocial  media
■653    ▼aOnline  discussions
■690    ▼a0984
■690    ▼a0800
■690    ▼a0459
■690    ▼a0646
■71020▼aCornell  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-12A.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161341▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서