この論文は、CC BY-NC-ND 4.0 DEED ライセンスの下で arxiv で公開されています。 著者:  （１）ブリシャ・ジェイン、インドの独立研究者、brishajain02@gmail.com  （２）Mainack Mondal、インド工科大学カラグプル校、mainack@cse.iitkgp.ac.in。 リンク一覧 概要と序文 関連作業 データ収集 分析方法 結果 制限事項 結論 参考文献 5. 結果 5.1. ジャーナリストと政治家の交流頻度と人気におけるジェンダーバイアス（RQ1） 最初の研究の質問に対する答えを探るために、私たちは、Twitter 上での政治家とジャーナリストの交流頻度 (つまり、言及頻度) に性別による偏りがあるかどうかを確認することから始めました。 図 1a は、男性政治家と女性政治家に言及したジャーナリストによるツイート数の CDF を比較している。この図から興味深い観察結果が得られた。受け取る政治家が男性の場合 (つまり、MJ-MP および FJ-MP カテゴリ)、女性政治家が受け取る場合、言及されるツイートの数 (したがってジャーナリストと政治家のやり取りの頻度) は高くなる。この目的のために、4 つのカテゴリ内でジャーナリスト 1 人あたりのツイート数について Kruskal-Wallis 検定を行ったところ、カテゴリ間でかなり統計的に有意な差が明らかになった (   << 0.05)。次に、4 つのカテゴリ (MJ-MP、MJ-FP、FJ-MP、FJ-FP) 間で追跡するために、ペアワイズ Mann-Whitney 検定を実行した。男性ジャーナリストと女性ジャーナリストのどちらかが男性政治家のアカウントに言及した場合、統計的に有意な差はない。同様に、男性ジャーナリストと女性ジャーナリストのどちらかが女性政治家のアカウントに言及した場合も、統計的に有意な差はない。しかし、男性/女性ジャーナリストが男性政治家に言及する頻度と女性政治家に言及する頻度には、統計的に有意な差があります (すべて  << 0.05)。次に、男性政治家と女性政治家に向けられたツイートの人気度を比較します。  男性政治家はジャーナリストにより頻繁に言及されている: p p 我々の観察は、インドのツイッター利用者は、女性政治家に対する女性ジャーナリストの意見よりも、女性政治家に対する男性ジャーナリストの意見のほうが信用できると考えていることを示唆している。これらの観察は「リツイート」にも当てはまる。全体として、これら4つのカテゴリーのツイートの人気度分析から、ジャーナリストは政治家とのやりとりで明らかな偏見に悩まされていないものの、こうしたやりとりがアクティブなツイッター利用者から引き出す関心の量にはジェンダーバイアスが存在することを裏付ける証拠があることが明らかになった。  5.2. ジャーナリスト政治家のツイート内容におけるジェンダーバイアス（RQ2） 前のセクションでは、男性ジャーナリストと女性ジャーナリストの両方から男性政治家への大きな偏りが分析で示されました。男性政治家に言及したツイートはより頻繁で、より人気があります。しかし、そのために、これらのツイートの内容がこの偏りの原因であるかどうかを確認しました。具体的には、男性/女性ジャーナリストが男性/女性政治家に向けて書いたツイートの感情とトピックを確認しました。    : 各カテゴリーのツイートの感情を検出するために、TweetNLPツールを使用しました[6]。TweetNLPは、特に多言語ツイートから感情を検出するための通時的大規模言語モデル（TimeLMs）ベースのアプローチを提供します。この分析の目的は、ツイートの感情スコアに有意差があるかどうかを判断することです。有意差がある場合、送信者と受信者の性別に基づいてツイートに固有の性別バイアスがあることを示している可能性があります。怒り、喜び、楽観、悲しみの4つの主要な感情を考慮し、4つのカテゴリーのそれぞれのツイートに、これらの次元に沿って感情スコアを割り当てました。次に、Kruskal-Wallis検定を実行して、4つのカテゴリー（MJ-MP、MJ-FP、FJ-MP、FJ-FP）間で感情が異なるかどうかを特定しました。 4 つのテスト (各感情につき 1 つ) のそれぞれの 値は 0.16 ～ 0.99 の範囲であり、ツイートの感情には統計的に有意な差がないことが示唆されました。 5.2.1. 感情分析。 p    : さらに詳しく調べるために、4 つのカテゴリにわたって収集されたツイートのトピック分析 (潜在的ディリクレ配分法 (LDA) を使用) を実行しました。目的は、ツイートのトピックが送信者または受信者の性別に基づいて変化するかどうかを確認することでした。セクション 4 で説明したように、各カテゴリのトピック (基本的には単語のクラスター) の最適な数を特定し、LDA アルゴリズムを使用して各トピックの最も重要な 5 つの単語を特定しました。4 つのカテゴリのそれぞれについて、最適なトピック数は 13 でした。次に、ツイートの各カテゴリに対して LDA アルゴリズムを使用して 13 のトピックを特定し、検出されたトピックに対して重要な単語分析を実行しました。具体的には、ツイートの各カテゴリに対してトピック (例: MJ-MP からのトピック) を選択し、各トピックを表す重要な単語を選択しました。次に、各トピックに対して、それらの単語が他のカテゴリのツイートから検出されたトピックにも出現するかどうかを確認しました (見つかった場合、トピックを表す単語が他のカテゴリのツイートから検出されたトピックにも存在することを意味します)。 4 つのツイートのカテゴリごとに、平均して 81.5% ～ 93.8% の重要な単語 (トピックを表す) が、他のカテゴリのツイートから検出されたトピックに出現します。 5.2.2. トピック分析。 この分析は、感情分析から得た観察結果、つまり、これら 4 つのカテゴリのツイートの内容は同じであることを裏付けています。しかし、男性政治家に向けたツイートは、女性政治家に向けたツイートよりも多くの反応を集めています。次に、この性別による偏りの潜在的な理由を探ります。  5.3. ジェンダーバイアスの潜在的な理由 : 私たちはトップ政治家に関する簡単な統計、つまり最も人気のある政治家 (Twitter フォロワー数に基づく) のうち、男性と女性の比率を調べました。そのために、トップ政治家のデータセットを活用し、トップ 85 人の政治家 (彼らの Twitter アカウントもこの調査の一部です) のジェンダーを調べました。この分析により、トップ政治家の間で不穏なジェンダーの不均衡が明らかになりました。トップ政治家 85 人のうち、58 人が男性で 26 人が女性です。つまり、人気のある男性政治家の数は、人気のある女性政治家のほぼ 2 倍です。この不平等が、男性政治家が一般大衆やジャーナリストから大幅に多くのインタラクションを集めるという私たちの観察された現象の背後にある主な理由の 1 つであると私たちは仮定しています。 5.3.1. インドの Twitter に内在するジェンダーバイアス 実際、この不平等は社会に深く根付いた体系的な偏見を反映しています。この男女格差は Twitter の領域にまで影響を及ぼしており、Twitter では男性政治家の方が女性政治家よりも多くのフォロワーを獲得する傾向があります。この現象は孤立したものではなく、さまざまな業界に浸透しており、さまざまな業界で男性がトップの地位を占めていることからもそれがわかります。企業の役員室、テクノロジー企業、エンターテインメント業界では、指導的役割を担うのは主に男性です。社会規範に根ざしたこの体系的な偏見は、社会資本と権力の地位の獲得との間に強い相関関係があることでさらに強化されています。その結果、Twitter での人気は、この内在する偏見をはっきりと反映しています。これらの格差に対処することは、男女平等を促進し、社会に深く根付いた偏見を解体するために最も重要です。

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

MediaBias.TECH

We publish deeply researched (and often vastly underread) academic papers about our collective omnipresent media bias.

MediaBias's

このオーディオは、ストーリーの元の言語で制作されています。

インドのツイッターにおけるジャーナリストと政治家のやり取りにおけるジェンダーバイアスの解明：結果

About Author

コメント

ラベル

この記事は

Related Stories

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

暗号通貨の成長: 効果的なユーザーペルソナの作成

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

暗号通貨の成長: 効果的なユーザーペルソナの作成

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps