Measuring and Fostering Peace through Machine Learning and Artificial Intelligence
作者: P. Gilda, P. Dungarwal, A. Thongkham, E. T. Ajayi, S. Choudhary, T. M. Terol, C. Lam, J. P. Araujo, M. McFadyen-Mungalln, L. S. Liebovitch, P. T. Coleman, H. West, K. Sieck, S. Carter
分类: cs.CL, cs.CY, cs.LG
发布日期: 2026-01-08
备注: 6 pages, 4 figures
💡 一句话要点
利用机器学习和人工智能测量并促进和平
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 社会和平 机器学习 人工智能 自然语言处理 情感分析
📋 核心要点
- 现有方法难以有效衡量和促进社会和平，尤其是在社交媒体时代，情绪化内容泛滥。
- 论文提出利用机器学习和人工智能技术，分析新闻和社交媒体内容，评估和平水平并提供反馈。
- 实验表明，该模型在不同新闻数据集上具有高准确性，Chrome扩展程序MirrorMirror能够提供实时反馈。
📝 摘要（中文）
本文利用机器学习和人工智能技术，旨在：1) 通过新闻和社交媒体衡量各国的和平水平；2) 开发在线工具，通过帮助用户更好地了解自己的媒体消费习惯来促进和平。对于新闻媒体，我们使用神经网络从在线新闻来源的文本嵌入中衡量和平水平。该模型在一个新闻媒体数据集上训练，在分析另一个新闻数据集时也表现出很高的准确性。对于YouTube等社交媒体，我们开发了其他模型，使用词级别（GoEmotions）和上下文级别（大型语言模型）方法来衡量对和平至关重要的社会维度。为了促进和平，我们注意到71%的20-40岁人群每天通过社交媒体上的短视频观看大部分新闻。这些视频的内容创作者倾向于创作具有情感激活的视频，通过激怒用户来增加点击量。我们开发并测试了一个Chrome扩展程序MirrorMirror，它可以为YouTube观看者提供关于他们正在观看的媒体的和平程度的实时反馈。我们的长期目标是使MirrorMirror发展成为一个开源工具，供内容创作者、记者、研究人员、平台和个人用户更好地了解他们的媒体创作和消费的基调及其对观看者的影响。我们希望超越简单的参与度指标，鼓励更尊重、细致和信息丰富的交流。
🔬 方法详解
问题定义：当前社会面临着信息茧房和情绪极化的问题，尤其是在社交媒体上。现有方法难以有效衡量媒体内容的和平程度，也缺乏有效的工具来帮助用户识别和减少对负面信息的接触。因此，如何客观地评估媒体内容的和平程度，并引导用户形成更平衡的媒体消费习惯，是本文要解决的核心问题。
核心思路：本文的核心思路是利用机器学习和人工智能技术，对新闻和社交媒体内容进行分析，提取与和平相关的特征，并构建模型来评估内容的和平程度。同时，开发Chrome扩展程序，为用户提供实时反馈，帮助他们了解自己的媒体消费习惯，从而促进更平衡和积极的媒体体验。这种设计旨在通过技术手段干预用户的媒体消费行为，从而促进社会和平。
技术框架：整体框架包括以下几个主要模块：1) 新闻媒体和平程度评估模块：使用神经网络分析在线新闻文本嵌入，评估和平程度。2) 社交媒体和平程度评估模块：使用词级别（GoEmotions）和上下文级别（大型语言模型）方法分析社交媒体内容，评估社会维度。3) Chrome扩展程序MirrorMirror：为YouTube观看者提供实时反馈，显示媒体内容的和平程度。4) 数据集：用于训练和评估模型的各种新闻和社交媒体数据集。
关键创新：本文的关键创新在于：1) 将机器学习和人工智能技术应用于社会和平的评估和促进，这是一个相对新兴的领域。2) 开发了Chrome扩展程序MirrorMirror，为用户提供实时反馈，这是一种创新的干预手段。3) 结合了词级别和上下文级别的方法来分析社交媒体内容，提高了评估的准确性。
关键设计：在新闻媒体和平程度评估模块中，使用了神经网络来分析文本嵌入。具体的网络结构和训练细节（如损失函数、优化器等）在论文中未详细说明，属于未知信息。在社交媒体分析中，GoEmotions用于词级别的情感分析，大型语言模型用于上下文理解。MirrorMirror扩展程序的设计重点在于实时性和用户友好性，以便用户能够轻松理解和使用。
📊 实验亮点
该研究表明，在新闻媒体数据集上训练的模型，在分析另一个不同的新闻数据集时也表现出很高的准确性，这表明该模型具有一定的泛化能力。Chrome扩展程序MirrorMirror的开发和测试，为用户提供实时反馈，是一种有潜力的干预手段，能够帮助用户更好地了解自己的媒体消费习惯，并促进更平衡的媒体体验。具体的性能数据和提升幅度在摘要中未明确给出。
🎯 应用场景
该研究成果可应用于多个领域，包括：媒体内容审核、舆情分析、在线教育、心理健康干预等。通过客观评估媒体内容的和平程度，可以帮助平台过滤不良信息，引导用户接触更积极的内容。此外，该技术还可以用于教育领域，帮助学生培养批判性思维和媒体素养。长期来看，有助于构建更和谐、健康的社会环境。
📄 摘要（原文）
We used machine learning and artificial intelligence: 1) to measure levels of peace in countries from news and social media and 2) to develop on-line tools that promote peace by helping users better understand their own media diet. For news media, we used neural networks to measure levels of peace from text embeddings of on-line news sources. The model, trained on one news media dataset also showed high accuracy when used to analyze a different news dataset. For social media, such as YouTube, we developed other models to measure levels of social dimensions important in peace using word level (GoEmotions) and context level (Large Language Model) methods. To promote peace, we note that 71% of people 20-40 years old daily view most of their news through short videos on social media. Content creators of these videos are biased towards creating videos with emotional activation, making you angry to engage you, to increase clicks. We developed and tested a Chrome extension, MirrorMirror, which provides real-time feedback to YouTube viewers about the peacefulness of the media they are watching. Our long term goal is for MirrorMirror to evolve into an open-source tool for content creators, journalists, researchers, platforms, and individual users to better understand the tone of their media creation and consumption and its effects on viewers. Moving beyond simple engagement metrics, we hope to encourage more respectful, nuanced, and informative communication.