基于性別的暴力（GBV）的語言表達(dá)如何影響責(zé)任認(rèn)知

主要貢獻(xiàn)

論文詳細(xì)分析了意大利關(guān)于GBV的新聞報(bào)道中人類的責(zé)任觀念，證明了特定語法結(jié)構(gòu)和語義框架的會(huì)引發(fā)不同的責(zé)任認(rèn)知，并且可以被自動(dòng)建模。

-01-

摘要

不同的語言表達(dá)可以通過強(qiáng)調(diào)某些部分從不同的角度來概念化同一事件。該論文調(diào)查了一個(gè)具有社會(huì)后果的案例：基于性別的暴力（GBV）的語言表達(dá)如何影響責(zé)任認(rèn)知。文章建立在這一領(lǐng)域先前的心理語言學(xué)研究的基礎(chǔ)上，并對(duì)從意大利報(bào)紙的語料庫中自動(dòng)提取的GBV描述進(jìn)行了大規(guī)模的感知調(diào)查。

然后，訓(xùn)練回歸模型，預(yù)測(cè)GBV參與者對(duì)不同的感知責(zé)任維度的顯著性。文章最好的模型（微調(diào)后的BERT）顯示了穩(wěn)健的整體表現(xiàn)，在維度和參與者之間有很大的差異：顯著的關(guān)注比顯著的指責(zé)更可預(yù)測(cè)，犯罪者的顯著性比受害者的顯著性更可預(yù)測(cè)。

使用不同表示的嶺回歸模型的實(shí)驗(yàn)表明，基于語言學(xué)理論的特征與基于單詞的特征相似。文章表明不同的語言選擇確實(shí)會(huì)引發(fā)不同的責(zé)任認(rèn)知，而且這種感知可以自動(dòng)建模。這項(xiàng)工作可以成為提高公眾和新聞制作人對(duì)不同視角所產(chǎn)生的后果認(rèn)識(shí)的核心工具。

-02-

簡(jiǎn)介及背景

同樣的事件可以用許多不同的方式來描述，這取決于報(bào)告者和他們所做的選擇。通過選擇一些特定的詞，可以為讀者提供一個(gè)關(guān)于發(fā)生了什么的具體視角。

一篇新聞的寫作方式，嚴(yán)重影響了讀者感知所描述事件中責(zé)任歸因的方式。

圖1：“騎自行車的人撞上車門”

圖1：“汽車司機(jī)打開車門撞到騎自行車的人”

圖1：“騎自行車的人在第五街的交通事故中受傷”

圖1：“自行車和汽車的碰撞”

使用不同的標(biāo)題來說明當(dāng)相同的事件從不同的角度的描述時(shí)，可以導(dǎo)致不同的對(duì)參與者責(zé)任歸屬的看法。

圖1說明了如何從不同的角度報(bào)告同一事件其方式確實(shí)會(huì)影響對(duì)參與者責(zé)任的感知。文章研究在基于性別的暴力（GBV）這一社會(huì)相關(guān)現(xiàn)象的背景下，使用NLP工具來解開責(zé)任歸因。針對(duì)婦女的暴力行為是令人擔(dān)憂的普遍現(xiàn)象，因此經(jīng)常在新聞中被報(bào)道。

Pinelli和Zanchi在意大利新聞中觀察到，在對(duì)殺害女性的描述中，具有不同及物性水平的句法結(jié)構(gòu)——也就是及物主動(dòng)結(jié)構(gòu)，到被動(dòng)和反使役結(jié)構(gòu)，對(duì)應(yīng)于歸因于（男性）犯罪者的不同程度的響應(yīng)性。

例如，當(dāng)“he killed her（他殺了她）”（主動(dòng)/及物）完全明確表達(dá)了主動(dòng)行為者的參與，但“she was killed (by him)她是（被他）殺死的”（被動(dòng)），這種表達(dá)方式就將注意力從主動(dòng)行為者上轉(zhuǎn)移開來；再比如“themurder（謀殺）”或者是“the event（事件）”的表達(dá)方式，就將重點(diǎn)從兩個(gè)參與者轉(zhuǎn)移到事件的背景中。

在一篇相關(guān)的文章中，Meluzzi等人通過對(duì)意大利語中人工構(gòu)建的GBV報(bào)告的調(diào)查，研究了論證結(jié)構(gòu)構(gòu)建對(duì)責(zé)任歸因的影響。他們的研究結(jié)果進(jìn)一步證實(shí)了Pinelli和Zanchi關(guān)于讀者對(duì)犯罪者和受害者的能動(dòng)性和責(zé)任影響的發(fā)現(xiàn)。這兩項(xiàng)研究的結(jié)果與之前的心理語言學(xué)研究結(jié)果一致，表明在任何層面上涉及暴力的事件中，行為人的語言背景阻礙了他們的責(zé)任，并促進(jìn)了對(duì)受害者的指責(zé)。

基于這樣的框架選擇，普通讀者將如何看待所描述的事件？我們能自動(dòng)模擬這種感知嗎？

本文回答上述問題，仍然基于意大利新聞中對(duì)殺害女性的描述，并利用框架語義作為一種理論和實(shí)踐工具，以及最新的NLP方法。

使用特定的預(yù)先選擇的語義框架，使用最先進(jìn)的語義解析器自動(dòng)提取，文章從意大利報(bào)紙中識(shí)別出對(duì)GBV事件的描述，通過大規(guī)模的調(diào)查來收集人類的判斷，要求參與者閱讀文本，并將一定程度的責(zé)任歸屬于犯罪者、受害者，或一些更抽象的概念（例如，“嫉妒”、“憤怒”）。更多細(xì)節(jié)見2。

文章開發(fā)一系列回歸模型（從頭開始以及預(yù)先訓(xùn)練的transformer模型），利用從表面到框架的各種語言線索來自動(dòng)建模責(zé)任感知。模型的訓(xùn)練目標(biāo)是預(yù)測(cè)人類的感知分?jǐn)?shù)。文章實(shí)現(xiàn)了與基于Transformer model的模型的強(qiáng)相關(guān)性。調(diào)查和結(jié)果分析的細(xì)粒度特征也允許各個(gè)方面的預(yù)測(cè)復(fù)雜性的差異。第3節(jié)中討論建模和評(píng)價(jià)。

結(jié)果表明，不同的語言選擇確實(shí)觸發(fā)了不同的責(zé)任感知，而且這種感知可以自動(dòng)建模。這一發(fā)現(xiàn)不僅證實(shí)了以前（人工）在小規(guī)模上進(jìn)行的研究，而且也為文本進(jìn)行大規(guī)模分析及其效果提供了可能。

-03-

構(gòu)建【謀害女性感知數(shù)據(jù)集】

為了構(gòu)建這個(gè)數(shù)據(jù)集，作者采用眾包的方式，設(shè)計(jì)了一個(gè)在線的問卷調(diào)研。具體來說，作者收集了關(guān)于2015至2017年間，意大利發(fā)生的937起殺害女性案件的新聞報(bào)道，從中抽取句子展示給眾包人員并要求其對(duì)句子所表達(dá)的責(zé)任程度進(jìn)行打分。問卷結(jié)果表明，語義信息和句法結(jié)構(gòu)明顯影響讀者對(duì)“謀害女性事件”的看法。下面將詳細(xì)說明作者如何設(shè)計(jì)調(diào)研問題。

3.1問題設(shè)定

對(duì)案件采取不同的描述方式，會(huì)導(dǎo)致讀者對(duì)“案件參與者應(yīng)承擔(dān)多大責(zé)任？”這一問題產(chǎn)生不同的看法。作者首先將“責(zé)任”這一復(fù)雜的概念拆解成三個(gè)維度：

- FOCUS：句子關(guān)注的是否是加害人？

- CAUSE：句子所描述的事件是否主要由人引起？

- BLAME：句子是否將責(zé)任歸咎于加害人？

表1用人工構(gòu)造的句子展示了這三個(gè)維度的區(qū)別。針對(duì)上述三個(gè)問題，表中+、-、±代表句子可能如何被讀者解讀。例如，第一、第二個(gè)句子都更加關(guān)注兇手（FOCUS +）并且強(qiáng)調(diào)他的行為致使案件發(fā)生（CAUSE +），但是第二句話將兇手描述為“被嫉妒蒙蔽了雙眼”，暗示兇手不必為其行為承擔(dān)全部責(zé)任（BLAME ±）。注意讀者的看法本質(zhì)上是主觀的，因此這些例子不該被視為任何形式的“黃金準(zhǔn)則”。

為了正確判斷讀者認(rèn)為兇手應(yīng)承擔(dān)責(zé)任的程度，作者還分別針對(duì)victim（受害人）、object（如武器）、concept（抽象概念）、emotion（如嫉妒）或nothing（不追究）設(shè)計(jì)了上述三個(gè)維度的問題。作者要求眾包人員按照五分制對(duì)每一類問題進(jìn)行打分，參與者也可以認(rèn)為句子與謀殺案無關(guān)直接跳過它。根據(jù)試點(diǎn)實(shí)驗(yàn)的初步結(jié)果，作者對(duì)每個(gè)類別的問題做了些輕微的調(diào)整：例如因?yàn)榫渥涌偸顷P(guān)注某事（FOCUS），所以省略了FOCUS中的none類別，等等。表2展示了完整的調(diào)研問題。

3.2句子選擇

交給眾包人員進(jìn)行評(píng)分的句子分兩步選出：首先使用LOME解析器自動(dòng)抽取語義信息，這些信息與SpaCy自動(dòng)依賴解析工具結(jié)合，對(duì)句法結(jié)構(gòu)進(jìn)行分類。例如，“he murdered her”將被分類為“KILLING/active”，代表“殺人”的語義和主動(dòng)的句法表達(dá)；“she died”被分類為“DEATH/intransitive”；“the tragedy”被分類為“CATASTROPHE/nonverbal”。

第二步，作者設(shè)計(jì)了在不同程度上強(qiáng)調(diào)謀殺案件的典型語義集合，并在至少包含一個(gè)典型語義的句子中進(jìn)行隨機(jī)采樣。具體來講，作者使用FrameNet框架手動(dòng)注釋Pinelli和Zanchi中的例句，并選擇那些表述“受害者死亡事件”詞語（如killed、died、dead、incident等）的語義來構(gòu)造典型語義集。

最終得到的語義集合為{KILLING，DEATH，DEAD_OR_ALIVE，EVENT，CATASTROPHE}，所有語義都可以用來描述完全相同的事件，只是具有不同的動(dòng)態(tài)性(已經(jīng)死亡或者將要死亡)、能動(dòng)性(兇手殺人或者受害人死亡)和普遍性(某人死亡或者某事發(fā)生)。作者使用這種方法為每一個(gè)“語義信息/句法結(jié)構(gòu)”類別采樣了相同數(shù)目的句子。

3.3眾包實(shí)現(xiàn)細(xì)節(jié)

作者考慮到眾包人員分析復(fù)雜句子的認(rèn)知負(fù)荷，以及閱讀一個(gè)主題沉重且痛苦的文本的情感負(fù)荷，每個(gè)參與人員只需在一組句子（50句）的三個(gè)維度之一上打分。為了平衡“每句話注釋的數(shù)量”和“注釋的總句子數(shù)”，作者為每句話每個(gè)維度安排10個(gè)眾包人員。這意味著完整的注釋一組句子需要30個(gè)眾包人員。

為了在事先不知道反饋率（眾包人員質(zhì)量）的情況下，將眾包人員均勻的分配在每組句子和每個(gè)維度之間，作者創(chuàng)建了60個(gè)眾包小組（注釋20組句子，每組50句，因此共1000個(gè)句子且每個(gè)句子三個(gè)維度）并將參與者分配到滾動(dòng)的小組中：每次開放一個(gè)組，一旦達(dá)到要求的參與者數(shù)量小組就會(huì)自動(dòng)關(guān)閉，然后打開下一個(gè)組。一旦一個(gè)組被填滿就手動(dòng)檢查響應(yīng)的完整性和質(zhì)量。

由于標(biāo)注任務(wù)的主觀性，注釋沒有錯(cuò)誤的回答，作者設(shè)定如果注釋至少滿足以下三個(gè)標(biāo)準(zhǔn)中的一個(gè)，則認(rèn)為其質(zhì)量較低：（i）參與者完成問卷的速度快得令人難以置信；（ii）參與者連續(xù)將句子標(biāo)記為不相關(guān)并跳過；（iii）參與者總是給每句話同樣的評(píng)分；作者在意大利幾所大學(xué)不同專業(yè)的本科和碩士學(xué)生中分發(fā)調(diào)查平臺(tái)的鏈接，并匿名收集回答，僅要求參與者說明他們的性別、年齡和職業(yè)。

3.4結(jié)果

作者最終的數(shù)據(jù)集涵蓋了400個(gè)句子，共有240名參與者對(duì)其進(jìn)行了評(píng)級(jí)（153名女性，86名男性，1名非二元性別；平均年齡23.4）。表3給出了跨句子的評(píng)價(jià)得分匯總。作者給出了所有參與者和所有句子的平均分（綠色部分，在0~5的范圍內(nèi)），以及句子間平均分的標(biāo)準(zhǔn)差。總的來說，對(duì)應(yīng)于行兇者的屬性往往有更高的平均分，但方差也比其他屬性更高。由于任務(wù)固有的主觀性，并且結(jié)果與之前關(guān)于感知規(guī)范的研究一致，作者沒有計(jì)算注釋者之間的一致性分?jǐn)?shù)。

表4按語義信息和句法結(jié)構(gòu)劃分，顯示了FOCUS問題的平均得分。這顯示出了顯著的效果：包含KILLING語義的句子傾向于將更高的FOCUS放在兇手身上，當(dāng)使用主動(dòng)結(jié)構(gòu)時(shí)更是如此。同時(shí)，在主動(dòng)或被動(dòng)結(jié)構(gòu)中包含CATASTROPHE, DEAD_OR_ALIVE、DEATH和KILLING語義，會(huì)增加受害者的FOCUS。

另一方面，object的FOCUS得分上沒有顯著差異，concept或emotion的FOCUS得分上有顯著但較小的差異。在每一種情況下，研究結(jié)果都符合作者基于語言學(xué)理論的預(yù)期：如果一個(gè)事件參與者在謂詞中進(jìn)行了詞匯編碼，并且需要在語法上進(jìn)行表達(dá)，那么這個(gè)參與者更有可能被認(rèn)為處于關(guān)注狀態(tài)?；诰渥拥膬?nèi)容，以及在詞匯上編碼了受害者或殺手的幾個(gè)典型語義（如KILLING），人們會(huì)更多地關(guān)注兇手和受害者，而無生命的concept或emotion是非必要的。

-04-

感知分?jǐn)?shù)預(yù)測(cè)

在本文中，作者將該任務(wù)建模為一個(gè)多輸出回歸任務(wù)：給定一個(gè)句子，作者希望預(yù)測(cè)一個(gè)感知向量，其中該向量每一維代表問卷中一個(gè)特定的Likert維的值。

4.1 參與者聚合

作者首先對(duì)每句話和每個(gè)參與者的感知值計(jì)算z-score（也叫標(biāo)準(zhǔn)分?jǐn)?shù)，是一個(gè)數(shù)與平均數(shù)的差再除以標(biāo)準(zhǔn)差的過程。在統(tǒng)計(jì)學(xué)中，標(biāo)準(zhǔn)分?jǐn)?shù)是一個(gè)觀測(cè)或數(shù)據(jù)點(diǎn)的值高于被觀測(cè)值或測(cè)量值的平均值的標(biāo)準(zhǔn)偏差的符號(hào)數(shù)。），然后取參與者的平均值。分別計(jì)算每個(gè)Likert維度和參與者的z-score，以考慮兩種類型的變異性：

1）維度內(nèi)偏好，指的是不同的參與者對(duì)分?jǐn)?shù)范圍的不同使用：根據(jù)自信程度和其他因素，參與者可能會(huì)選擇大量使用范圍的端點(diǎn)(例如，經(jīng)常分配“0”或“5”)或集中在范圍的特定部分(例如，在中心附近或靠近高點(diǎn)或低點(diǎn))。

2）維度間偏好，指的是參與者總是傾向于給特定維度分配更高或更低的分?jǐn)?shù)的可能性。例如，一些參與者可能總是給“blame on the murderer”和“blame on the victim”更高的分?jǐn)?shù)。

通過對(duì)z-score的感知值進(jìn)行回歸，作者希望模型預(yù)測(cè)出句子中是否存在明顯偏見(例如，這個(gè)句子是否將高于平均水平的責(zé)任推給了受害者?對(duì)兇手的關(guān)注低于平均水平?)

4.2 評(píng)價(jià)方法

作者從多個(gè)角度對(duì)此多輸出回歸問題進(jìn)行評(píng)價(jià)。

1）Root Mean Squared Error (均方根誤差，RMSE)和{R^2}（均方誤差），它估計(jì)了由回歸模型解釋的感知分?jǐn)?shù)變化的比例。作者分別計(jì)算了每一個(gè)維度和維度平均值的{R^2}。

2）Cosine (余弦相似度，COS)，它度量了答案和預(yù)測(cè)結(jié)果之間的余弦相似度，并提供在映射中保存維度之間關(guān)系的程度的估計(jì)。

3）Most Salient Attribute (MSA)，作者將回歸評(píng)估為預(yù)測(cè)哪個(gè)Likert維度對(duì)每個(gè)問題具有最高(z-score)感知值的分類任務(wù)的準(zhǔn)確性(實(shí)現(xiàn)為簡(jiǎn)單地計(jì)算argmax對(duì)每個(gè)問題對(duì)應(yīng)的輸出維度)。例如，對(duì)于一個(gè)特定的句子，“concept”是責(zé)備問題得分最高的維度，這意味著“blame on a concept”在這個(gè)句子中比其他句子更突出。

注意，每個(gè)維度的z-score是獨(dú)立計(jì)算的，因此，具有最高z-score的維度不一定也具有最高的絕對(duì)值。類似于給特定維度分配更高或更低分?jǐn)?shù)的風(fēng)險(xiǎn)，在這種情況下，參與者在指責(zé)問題上給“殺人犯”的分可能比“concept”多，即使在“concept”非常突出的句子中也是如此。在這種情況下，“concept”的絕對(duì)值總是比“murderer”低，但在“concept”得分相對(duì)較高、“murderer”得分相對(duì)較低的句子中，“concept”的z-score可能會(huì)更高。

4.3 模型

作者比較了兩種模型，分別是嶺回歸模型（一種使用L2正則的線性回歸模型）和預(yù)訓(xùn)練transformer模型。前者在不同類型的輸入特征上面進(jìn)行訓(xùn)練，后者則經(jīng)過微調(diào)后回歸預(yù)測(cè)多輸出。

特征（用作嶺回歸模型的輸入）

特征分為三類：

1）表面特征：代表輸入句子的詞法級(jí)別的特征，分別使用bag-of-words (bow)模型和FastText (ft)模型的輸出特征。

2）框架語義特征：通過frame semantic parser配合bow模型得到的在語義級(jí)別上略高于表面特征的表示，包括f1、f2、f1+、f2+。

3）句子特征：transformer模型產(chǎn)生的句子級(jí)別的表示，分別使用了SentenceBERT (sb)、XLM-R、BERT-IT Mean (bm) 和 XLM-R Mean (xm)提取特征。

預(yù)訓(xùn)練transformer模型

作者在預(yù)訓(xùn)練transformer編碼器的后面接上了有一個(gè)簡(jiǎn)單的線性層構(gòu)成的神經(jīng)回歸模型。作者分別實(shí)驗(yàn)了不同的BERT變體。包括Italian BERT XXL Base (BERT-IT)、BERTino、Multilingual BERT Base、Multilingual DistilBERT、XLM-RoBERTa Base。

4.4結(jié)果

表5顯示了RMSE、COS和{R^2}指標(biāo)測(cè)試集的主要結(jié)果。作者列出如下觀察結(jié)論：

經(jīng)過微調(diào)的單語BERT模型在所有測(cè)試中表現(xiàn)最好，其總體{R^2}分?jǐn)?shù)約為0.45，這意味著模型成功預(yù)測(cè)了感知分?jǐn)?shù)中近一半的方差。

多語言BERT模型(mBERT和XLM-R)的表現(xiàn)均較差，平均{R^2}為0.38或更低。

有趣的是，普通的蒸餾版BERT對(duì)比原始BERT性能有所下降，但意大利語版蒸餾的BERT（BERTino）的性能沒有下降，甚至比原始模型略好。

{R^2}的下降并不總是與余弦分?jǐn)?shù)的下降一致：例如，XLM-R分?jǐn)?shù)比BERT-IT/base低0.06 {R^2}分，但余弦分?jǐn)?shù)只下降0.01，而mBERT/dist在{R^2}上損失0.10分，在COS上損失0.09分。因此，似乎有些模型(如XLM-R)在預(yù)測(cè)每個(gè)異常得分的確切大小方面不太準(zhǔn)確，但在捕捉跨維度的總體得分模式方面相對(duì)較好。

另外，雖然嶺回歸模型的表現(xiàn)比transformer差很多，但比較不同特征之間的結(jié)果對(duì)于理解預(yù)測(cè)感知需要什么信息是有幫助的：

基于表面和框架特征的回歸模型表現(xiàn)相似，{R^2}分?jǐn)?shù)在0.20左右(f2為負(fù)離群值)，而具有神經(jīng)特征的模型更好({R^2} 0.28-0.33)。

對(duì)于那些基于transformer提取得到的特征訓(xùn)練的脊模型，作者發(fā)現(xiàn)意大利語版本的BERT (bm)的平均最后一層表示的結(jié)果最好，而基于XLM-R (sb和xm)的兩種模型得分略低。

通過比較不同問題和屬性的{R^2}分?jǐn)?shù)，還可以發(fā)現(xiàn)預(yù)測(cè)難度的巨大差異:

例如，在各個(gè)模型中，blame on murderer得到了很好的分?jǐn)?shù)，而blame on victim的分?jǐn)?shù)相對(duì)較低，即使是最強(qiáng)的模型(例如BERTino的0.24)，而在基線(或更低)分?jǐn)?shù)較弱的模型——特別是蒸餾mBERT，它在其他屬性上表現(xiàn)不錯(cuò)。

Caused by no-one 是最難預(yù)測(cè)的，沒有模型得分在0.10以上。

Focus問題具有總體上最好和最一致的性能，特別是對(duì)于意大利語版本的BERT模型，對(duì)于四個(gè)屬性中的每一個(gè)都實(shí)現(xiàn)了不錯(cuò)的性能(0.46- 0.66 {R^2})。

這種模式也反映在MSA中(表6):對(duì)于focus類別，它基本上更容易預(yù)測(cè)的維度與最高的得分比Blame和Cause。然而，對(duì)于每個(gè)問題，所有模型的表現(xiàn)都好于概率水平，其中BERTino的綜合得分最高(56-72%)。

在嶺回歸模型中，相對(duì)于基于表面特征的模型，基于BERT特征的模型的性能增益（BERT特征比表面特征的增益）在屬性之間有很大差異。例如，bow模型有一個(gè)令人驚訝的高得分的指責(zé)殺人犯({R^2} 0.49)，只有適度的收益從BERT-IT 和 BERTino模型(resp.+0.06和+0.12分)。相比之下，bow在專注概念上得分較低({R^2} 0.13)，而BERT-IT和BERTino得分較高({R^2} 0.63/0.64)。

為了進(jìn)一步了解模型之間的差異，作者進(jìn)行了特征歸因分析。blame on murderer 和 focus on concept的結(jié)果如表7所示。對(duì)于殺人犯的責(zé)任，三種模型似乎都聚焦于相似的詞匯項(xiàng)：例如，“uccide”(“(he) kills”)在脊回歸和微調(diào)BERTino模型中都有很高的正歸因值，在f1+中作者發(fā)現(xiàn)KILLING框架的正歸因值，這是對(duì)殺人相關(guān)詞匯的抽象。

作者還發(fā)現(xiàn)，個(gè)人關(guān)系(‘wife’, ‘ex’, PER-SONAL_RELATIONSHIP )在所有三種模型中都得到了積極的歸因。相比之下，作者發(fā)現(xiàn)了“accaduto”(“happened”)的負(fù)歸因值以及bow和f1中相應(yīng)的EVENT框架，這與§2.4中討論的觀察結(jié)果完全吻合。由于對(duì)概念的關(guān)注，三種模型之間沒有明顯的深刻區(qū)別。

作者確實(shí)在每個(gè)模型中發(fā)現(xiàn)了幾個(gè)直觀的相關(guān)特征:"passionale"("out of passion")和"femminicidio"("femicide")可以測(cè)試句子可以聚焦的概念的集合，而"omicida"("murderer/murderous’")和"killer"可以被視為強(qiáng)調(diào)人類主體的作用，而不是一個(gè)抽象的概念。

-05-

結(jié)論與未來工作

論文詳細(xì)分析了意大利關(guān)于GBV的新聞報(bào)道中人類的責(zé)任觀念。文章收集的判斷證實(shí)了之前關(guān)于特定語法結(jié)構(gòu)和語義框架的影響以及它們?cè)谧x者中引發(fā)的感知。

文章研究了不同的NLP架構(gòu)在多大程度上可以預(yù)測(cè)人類的感知判斷。微調(diào)單語transformer獲得在多個(gè)評(píng)估措施的最佳結(jié)果，為集成能夠識(shí)別潛在感知效應(yīng)的系統(tǒng)作為媒體專業(yè)人員的支持工具提供了可能性。

未來，文章也計(jì)劃對(duì)數(shù)據(jù)進(jìn)行更詳細(xì)的分析，考慮受訪者在個(gè)人和人口統(tǒng)計(jì)方面的差異。除此之外，后續(xù)實(shí)驗(yàn)將側(cè)重于將該方法應(yīng)用于其他語言和文化背景，既針對(duì)基于性別的暴力，也針對(duì)其他社會(huì)相關(guān)主題，如車禍等。

審核編輯：劉清