- Политические обсуждения и мнения в Твиттере: Конституционный референдум в Италии 2016 г. (arXiv)
Автор: Якопо Бинди, Давиде Коломби, Флавио Яннелли, Никола Полити, Микеле Сугарелли, Раффаэле Тавароне, Энрико Убальди
Аннотация : Недавний доступ к большим наборам данных с высоким разрешением о деятельности человека в Интернете позволил изучить и охарактеризовать механизмы, формирующие человеческие взаимодействия, с беспрецедентным уровнем точности. С этой целью было предпринято много усилий, чтобы понять, как люди делятся информацией и извлекают ее, формируя свое мнение по определенной теме. В частности, выявление политических пристрастий человека на основе его онлайн-активности может способствовать прогнозированию мнений в данной группе населения. Здесь мы решаем эту сложную задачу, комбинируя теорию сложных сетей и методы машинного обучения. В частности, начиная с коллекции из более чем 6 миллионов твитов, мы характеризуем структуру и динамику итальянских онлайн-политических дебатов о конституционном референдуме, состоявшемся в декабре 2016 года. Мы анализируем модель обсуждения между различными политическими сообществами и характеризуем сеть контактов. в нем. Кроме того, мы установили процедуру определения политических взглядов итальянских пользователей Twitter, которая позволяет нам точно реконструировать общую тенденцию мнений, полученную в результате официальных опросов (Pearson r = 0,88), а также с хорошей точностью предсказать окончательный результат опроса. референдум. Наше исследование представляет собой крупномасштабное исследование политических онлайн-дискуссий в Италии с помощью анализа настроений, тем самым закладывая основу для будущих исследований по моделированию онлайн-политических дебатов.
2. Справедливость в машинном обучении: уроки политической философии (arXiv)
Автор:Рубен Биннс
Аннотация. Что означает для модели машинного обучения быть «добросовестной» с точки зрения возможности ее практического применения? Должна ли справедливость заключаться в том, чтобы обеспечить всем равную вероятность получения какой-либо выгоды, или вместо этого мы должны стремиться минимизировать вред для наименее преуспевших? Можно ли определить соответствующий идеал, ссылаясь на некое альтернативное положение дел, при котором конкретная социальная модель дискриминации не существует? Различные определения, предложенные в недавней литературе, делают разные предположения о том, что означают такие термины, как дискриминация и справедливость, и как их можно определить в математических терминах. Вопросы дискриминации, эгалитаризма и справедливости представляют значительный интерес для моральных и политических философов, которые приложили значительные усилия для формализации и защиты этих центральных понятий. Поэтому неудивительно, что попытки формализовать «справедливость» в машинном обучении содержат отголоски этих старых философских споров. Эта статья опирается на существующие работы в области моральной и политической философии, чтобы прояснить возникающие дебаты о справедливом машинном обучении.
3. Политика маршрутизации: исследование взаимосвязи между подключением AS и свободой Интернета (arXiv)
Автор: Рачи Сингх, Хёнджун Ку, Наджмехалсадат Мирамирхани, Фахимех Мирхай, Леман Акоглу, Филипа Гилл.
Аннотация : Важность Интернета для продвижения свободного и открытого общения привела к повсеместному пресечению его использования в странах по всему миру. В этом исследовании мы исследуем взаимосвязь между национальной политикой в отношении свободы слова и топологией Интернета в странах по всему миру. Мы объединяем методы измерения сети и машинного обучения, чтобы определить особенности структуры Интернета на национальном уровне, которые являются лучшими индикаторами уровня свободы страны. Мы считаем, что плотность IP-адресов и протяженность путей в другие страны являются лучшими показателями свободы страны. Мы также обнаружили, что наши методы предсказывают категории свободы для стран с точностью 91%.
4. Двухпартийная политика и бедность как фактор риска заражения и смертности от вируса SARS-CoV-2 в Соединенных Штатах Америки (arXiv)
Автор:Сезар Р. Салас-Герра
Аннотация. В Соединенных Штатах с начала пандемии COVID-19 по 31 декабря 2020 г. было зарегистрировано 341 199 смертей и более 19 663 976 случаев инфицирования. В недавней литературе установлено, что сообщества с проблемами со здоровьем, связанными с бедностью, такими как ожирение, сердечно-сосудистые заболевания, диабет и гипертония, более подвержены смертности от инфекции SARS-CoV-2. Кроме того, неоднозначная политика в области общественного здравоохранения, проводимая политическими лидерами страны, высветила социально-экономическое неравенство меньшинств. Таким образом, с помощью многомерного корреляционного анализа с использованием методов машинного обучения и структурных уравнений мы измеряем, связаны ли социальные детерминанты с увеличением числа случаев инфицирования и смерти от болезни COVID-19. Регрессионный анализ методом наименьших квадратов PLS позволил выявить значительное влияние между социальными детерминантами и заболеванием COVID-19 благодаря прогностической ценности R2 = 0,916, \b{eta} = 0,836, p =. 000 (значение t = 66 137) показывает, что на каждую единицу увеличения социальных детерминант заболеваемость COVID-19 увеличивается на 91,6%. Индекс кластеризации, использованный для корреляционного анализа, сгенерировал новый набор данных, состоящий из трех групп: республиканцев C1, демократов C2 и C3 из Калифорнии, Нью-Йорка, Техаса и Флориды. Этот анализ позволил выделить переменную бедности как основной фактор риска, связанный с высокими показателями инфицирования в республиканских штатах, и высокую положительную корреляцию между населением, не застрахованным медицинским планом, и высокими уровнями заражения вирусом в штатах группы С3. Эти результаты объясняют аргумент о том, что бедность и отсутствие экономической безопасности подвергают государственную или частную систему здравоохранения риску и бедствиям.
5. Выявление гендерной предвзятости в освещении политиков в СМИ с помощью машинного обучения (arXiv)
Автор:Сьюзен Ливи
Аннотация: В данной статье представлено исследование, раскрывающее систематические гендерные предубеждения в репрезентации политических лидеров в СМИ с использованием искусственного интеллекта. Газетные репортажи ирландских министров за пятнадцать лет были собраны и проанализированы с помощью методов обработки естественного языка и машинного обучения. Полученные данные свидетельствуют о гендерной предвзятости в изображении женщин-политиков, о том, с какой политикой они были связаны и как их оценивали с точки зрения их деятельности в качестве политических лидеров. В этом документе также излагается методология, с помощью которой медиа-контент может быть проанализирован в больших масштабах с использованием методов искусственного интеллекта в рамках теоретической основы, основанной на гендерной теории и феминистской лингвистике.
