computational social science
PulseAugur coverage of computational social science — every cluster mentioning computational social science across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法通过解决嵌入空间各向异性来校准 AI 偏见测试
研究人员提出使用零相位分量分析 (ZCA) 白化作为词嵌入关联测试 (WEAT) 的预处理步骤。该方法旨在解决 WEAT 的可靠性问题，WEAT 是 AI 公平性和计算社会科学中常用的偏见测量工具，它假设嵌入空间是各向同性的。然而，许多语言模型表现出各向异性，可能导致偏见测量结果失真。ZCA 白化转换嵌入空间使其更具各向同性，并且在众多模型和 WEAT 测试套件上的评估表明，它能有效减少各向异性。这种校准导致 WEAT 结果发生显著变…
-
新协议验证大语言模型嵌入用于社会科学研究
一篇新研究论文介绍了构建有效性协议（CVP），以解决计算社会科学中的“代理假设”问题，即嵌入的几何特性被用作社会概念的直接衡量标准。CVP借鉴了因果表征学习和心理测量学的原理，提供了一个验证这些代理的框架。它包括一种称为反事实中性化的方法，该方法利用大语言模型来减轻嵌入空间中诸如主题和风格等混淆因素，旨在将启发式代理转化为科学上可辩护的工具。
-
新框架评估学术出版物中的跨学科讨论
研究人员开发了一个新的框架来评估学术出版物如何借鉴不同学科的思想。该框架专门为跨学科工作设计，特别是在自然语言处理（NLP）和计算社会科学领域。它引入了一种新颖的引文目的分类法，并使用注释研究来量化引文互动质量，解决了现有计算方法的局限性。
-
大型语言模型标注者在社会科学研究中表现出社会期望偏差
一篇新论文调查了用于计算社会科学的大型语言模型标注者中的社会期望偏差。研究人员发现，三个开源模型（Zephyr、Mistral-Instruct 和 Qwen2.5-Instruct）表现出不同类型的偏差，例如在标记有害内容时存在宽容或过度纠正。研究还表明，常用的提示技术不能有效减轻这些偏差，有时甚至会加剧它们，这凸显了计算社会科学研究中需要更可靠的验证方法。
-
LLM文本分析框架使用协变量进行亚组假设生成
研究人员开发了一种新的框架，用于基于LLM的文本分析中的条件假设生成。该方法结合了研究者指定的协变量，以确保发现的语言模式反映特定亚组内的真实差异，而不是混杂因素。该方法通过采用受经济计量学启发的技巧来解决代表性不足的亚组和符号反转等挑战，包括特征-协变量交互和具有逆频率重加权的层内去均值处理。在合成和真实世界数据集上的评估表明，这种协变量感知的生成能够产生更有用的假设。