在线对话中的冲突检测与预测

2592理解在线对话中的冲突沙伦·李维义加州大学圣巴巴拉sharonlevy@cs.ucsb.edu加利福尼亚州圣巴巴拉Robert E.美国宾夕法尼亚州匹兹堡卡内基梅隆大学robert.kraut@ cmu.edu简·A 羽Metajaneyu@fb.com加利福尼亚州门洛帕克摘要克里斯汀·MAltenburgerMetakaltenburger@fb.com加利福尼亚州门洛帕克王怡嘉Metayichiaw@fb.com加利福尼亚州门洛帕克ACM参考格式：随着社交媒体的兴起，来自世界各地的用户能够在网上相互联系和交谈 虽然这些联系促进了知识的增长，但在线讨论也可能以激烈的冲突告终。以前的计算研究集中于从推断的标签创建在线冲突检测模型，主要检查分歧而不是尖刻，并且不检查冲突社会科学研究已经调查了离线冲突，这可能与其在线形式不同，很少研究其出现。目前的研究旨在了解如何在网上的个人对话中出现的网上冲突我们的基本事实是一个Facebook工具，允许组成员向管理员报告冲突我们将以冲突报告结束的讨论与来自同一帖子的成对我们研究了两种用户特征（例如，历史用户到用户交互）和会话动态（例如，在谈话过程中情绪强度的变化）。我们使用逻辑回归来识别预测冲突的特征。用户特征，如评论者的性别和以前参与过负面在线活动，是冲突的有力指标。对话动态，如以人为本的讨论的增加，也是冲突的重要信号。这些结果有助于我们理解冲突是如何出现的，并提出了更好的检测模型和方法，以提醒组管理员和成员及早调解对话。CCS概念• 网络→社交媒体网络;·信息系统→社交网络;·计算方法学→自然语言处理;·应用计算→社会学。关键词网络冲突，会话分析，自然语言处理这篇文章是在Meta实习时完成的。本作品采用知识共享署名国际协议（Creative Commons AttributionInternational）授权4.0许可证。WWW©2022版权归所有者/作者所有。ACM ISBN978-1-4503-9096-5/22/04。https://doi.org/10.1145/3485447.3512131放大图片作者：Robert E.作者声明：A.Yu，Kristen M.阿尔滕伯格和王怡佳。2022.了解在线对话中的冲突。在ACM Web Conference 2022（WWW '22）的会议记录中，2022年4月25日至29日，虚拟活动，法国里昂。ACM，美国纽约州纽约市，11页。http：//doi.org/10.1145/3485447.35121311引言人际冲突破坏了在线和离线日常生活中的 社会科学文献通常区分实质性任务相关冲突和情感性人际冲突，前者是人们对程序和目标的分歧，后者是冲突围绕参与者之间的关系以及他们对彼此的挫折和厌恶[13，19，24]。实质性冲突可以对参与建设性辩论的人产生积极影响，鼓励他们讨论其他观点，调和分歧，并对不同观点产生然而，实质性的分歧演变成人际或关系冲突，通常会对个人和团体产生负面影响。关系冲突与信任、凝聚力、满意度、承诺、自愿的良好公民行为以及工作团体和团队中的积极影响的减少密切相关[13]。它还可能导致有偏见的信息处理[14]和质量较差的工作[11]。人际冲突可能会出现在在线和离线环境中，并可能因目标，意见或群体认同的差异而演变。除了这些潜在的冲突来源外，在线团体成员的快速更替，精简的通信媒体（即，没有来自非语言线索的额外信息的媒体）可能会导致成员忘记他们正在与其他人交流，以及巨魔的存在，表明人际冲突可能在线上比离线更常见，并且可能在其原因上有所不同[12]。因此，在线人际冲突的研究本身就很重要，也为更普遍地研究冲突升级过程提供了一个视角。尽管一些关于在线冲突的研究分析了更多的中立分歧[21]，或者关注特定类型的有害冲突，例如巨魔故意发布挑衅性或攻击性评论来激怒他人[12]，但我们研究了罕见的非建设性的个人冲突（<在我们的数据集中占0.0001%），这些冲突升级并导致用户向其组管理员报告冲突。先前关于在线冲突的工作主要集中在创建冲突检测模型上。这些模型经过训练，WWW放大图片作者：Robert E.作者声明：A.Yu，Kristen M.Altenburger和Yi-Chia Wang2593（一）（b）第（1）款图1：冲突对话的例子，其中每个文本序列都被编辑和解释。原始的、发起的帖子P0（也被编辑和改写）被示出在顶部，并且构成对话线程的回复评论（C1-C6）被示出在下面。红框中的注释作为冲突报告给组管理员在帖子级别或主题级别[1，16，18]的冲突，其含义是与这些帖子和主题相关联的所有对话或者是冲突的或者不是冲突的。此外，这些研究推断评论是否反映了元数据的冲突，如赞成/反对比率和讨论主题[9，21，27]。 因此，这项研究并没有区分实质性的分歧和更具毒性的人际冲突。社会科学中的大多数冲突研究都评估了离线环境中的冲突，检查了相对静态的原因（例如，参与者之间的利益差异），冲突的下游影响（例如，工作组的凝聚力或性能），以及冲突解决的类型（例如，媒介策略）[23，33，46]。然而，很少有研究调查冲突在线或离线设置已检查人际冲突如何出现和导致它的因素[26，44]。我们的论文的重点是在线人际冲突的动态。由于社交媒体技术的性质，在线冲突可以以多种方式不同于其他冲突首先，用户的地理分布很广，这可能会产生文化差异，导致冲突[43]。此外，在线用户经常与陌生人进行对话[20]或轻松加入现有对话，从而增加了参与者的数量和人们互动的可能性。陌生人最后，在在线群体中，流动率很高，通信媒体很精简，与离线互动相比，参与者认为自己相对匿名这些特征可能会导致不稳定的对话，在参与者和意见的数量上更具动态性。虽然这可以让用户相互参与并尊重地讨论不同的观点，但它也可能导致用户之间的由于计算机科学和社会科学的研究都没有对网络冲突的产生进行本文旨在填补这一空白，为网络人际冲突的研究做出贡献。为此，我们利用了Facebook的冲突评论报告工具1，在该工具中，一个组的成员可以报告具有令人反感的冲突的评论一个组管理员。我们对比了同一组中关于同一主题的冲突对话和非冲突对话图1显示了两个转述的对话示例，其中报告了冲突注释。我们利用这些数据来解释导致Facebook群组对话冲突的因素，并区分参与者带来的预先存在的用户特征。1https：//wook.com/community/whats-new/new-tools-features-nurture-community/理解在线对话WWW2594表1：假设及其各自的类别。用户特征H1冲突评论者与其他评论者H2冲突评论者更有可能在网上参与其他负面活动H3冲突评论者与发生冲突的组没有良好的连接会话动态H4H5b冲突线程有强度和负面情绪的增加冲突对话是基于身份/群体的，而不是人际的冲突对话随着时间的推移会话和会话动态，它们在会话过程中出现。这些特征被输入到多层次逻辑回归模型中，以预测对话是否以报告的冲突结束。我们的研究结果促进了对冲突如何在讨论中产生的理论理解，扩展了其他关于冲突演变动力学的工作[44]。此外，它们还可以实际用于建立更好的冲突检测模型和警报系统，以通知组管理员和主持人，甚至是对话中的参与者正在出现的冲突，以便进行早期干预。我们的贡献包括：1）使用来自相关人员的地面事实标签来区分冲突和非冲突对话，2）在冲突出现时，经验性地识别可能导致在线对话中冲突的变量，以及3）区分用户的静态特征和对话的动态特征，包括它如何随时间变化，以解释人际冲突的出现2相关工作和假设在本节中，我们回顾了冲突领域的相关文献，并为我们分析网络人际冲突的出现提出了假设。如先前的研究所示，不同的人口特征可能导致不同的冲突程度例如，Alberly和Steffen[17]表明，女性比男性更不咄咄逼人，Holt和DeVore [23]发现，女性在发生分歧时比男性更容易妥协，这可以分散局势，而不是进一步升级特里安迪斯[43]表明冲突中存在文化和种族差异。Cheng等人[6]表明，网络群体中的反社会行为是一种相对稳定的个体差异。总之，这项研究表明，一些预先存在的用户特征可能会导致在线，人际冲突：H1：冲突评论者与其他评论者有预先存在的差异。有毒谈话领域的相关工作评估了Saveski等人[36]发现，在他们的研究中，最大比例的有毒推文是由中度有毒用户（发布过几条有毒推文的用户）发布的，这表明重复犯罪的这让我们相信，冲突评论者可能参与了其他此类在线活动，形成了我们的下一个假设：H2：冲突评论者更有可能参与在线的其他负面活动此外，Saveski等人[36]表明，对话中的有毒回复来自社交联系较弱的用户，并且与海报共同的朋友较少。Coletto等人[9]类似地研究了有争议的线程背景下的用户连接为此，他们分析了用户关注者和用户回复图的本地网络模式他们的研究结果表明，在社交媒体上相互关注的用户之间不太可能发生有争议的互动。考虑到这一点，我们提出了第三个假设：H3：冲突评论者与发生冲突的群体没有良好的联系。先前关于争议检测的研究利用了情感和情绪来检测主题或讨论的争议程度[1，7，27，30，42]。这些论文分析了情感和情绪的强度，表明这些基于文本的特征是争议的强烈指标与此同时，Coletto et al.[9]通过不同的镜头调查强度，假设有争议的话题会产生更快的答复）比那些没有争议的话题。Zhang等人[47]通过各种基于文本的特征，如礼貌策略和提示类型，研究了维基百科讨论页讨论中在社会科学方面，Weingart et al.[44]从冲突螺旋的角度分析了离线冲突，其特征在于冲突对话中的紧张局势升级和相互负面通信的增加（例如，威胁）和情绪状态。虽然以前的工作检查了在线的所有情绪/情绪强度或检查了离线环境中的变化，但我们预测了在线对话中负面情绪和强度增加的模式。这就引出了我们的下一个假设：H4：冲突线程的强度和负面情绪增加德·德鲁[10]认为，群体间的冲突比人际间的冲突更这些冲突中有许多是基于身份的，人们认为他们所认同的群体或亚群体民族、种族、宗教或政党）优于外群体[22，38，43]。 虽然许多冲突起源于组间差异，但这些组间冲突可以演变为人际冲突[28]，尽管频繁的愉快互动可以减少组间冲突[32]。先前的文献提出了两个假设：H5 a：冲突对话是基于身份/群体的，而不是人际的。H5b：随着时间的推移，冲突对话变得更加人际化。······WWW放大图片作者：Robert E.作者声明：A.Yu，Kristen M.Altenburger和Yi-Chia Wang2595我们将我们的假设分为两组：用户特征和会话动态。H1、H2和H3检查组中的在线冲突是否可以归因于预先存在的用户特征，例如他们的人口统计数据或参与其他在线活动。 这使我们能够确定哪些用户特征反映了用户参与冲突的倾向。相反，H4和H5研究了在对话中冲突是如何出现的，以及这些对话在情感强度和群体认同方面是否与非冲突对话不同。我们在表1中总结了我们的假设及其各自的分组。3数据收集为了收集我们的数据，我们使用Facebook使用这个工具，人们可以从评论旁边的下拉菜单中选择这将导致一个弹出菜单，允许用户选择报告评论的原因：违反组规则，假新闻，成员冲突，垃圾邮件，骚扰，仇恨言论，裸体或性活动，暴力或其他。该工具的可视化可以在附录中的图5中看到。该界面仅提供菜单项的名称“成员冲突”，但不提供有关应报告为冲突的我们的冲突评论样本包括2021年5月29日至2021年8月15日期间用英语撰写的公共群组（任何规模）和大型私人群组（>32名成员）的去识别评论，这些评论被一名成员报告为包含冲突。因为我们的目标是了解冲突和非冲突对话之间的差异，所以我们通过随机抽样从同一帖子下的单独讨论线程中收集了一个未报告为包含冲突的评论来收集非冲突对话的匹配样本。 我们将随机抽样的评论限制在对话线程中的最小深度为4，这是我们分析中报告评论的最小深度。在本文的其余部分，我们将冲突注释和非冲突注释称为目标注释。由于我们的数据集由来自同一帖子的成对样本组成，因此我们删除了由同时显示为冲突和非冲突评论者的用户撰写的任何目标评论，以确保用户之间没有重叠在冲突和非冲突的集合中。2为了研究对话历史，我们从帖子的顶级评论开始，通过检索导致目标评论的所有评论来最终的数据集由来自10，179个不同组的15，438个成对的冲突和非冲突会话线程组成。数据收集过程如图2所示。以前关于冲突的工作使用讨论主题的争议性质作为冲突的指标[9，15，18]。 我们的数据收集过程确保冲突和非冲突评论的配对样本讨论相同的主题，因为它们是同一个发起帖子的后续内容。除了控制主题之外，这种方法还允许我们控制组虽然我们无法研究主题2这主要发生在来自同一帖子的线程中，占我们集合中用户的7%。图2：冲突和非冲突对话的数据收集过程。和群体特征影响冲突的这种方法，我们的分析可以集中在用户和会话差异，导致冲突。4方法4.1建模我们使用逻辑回归来预测目标评论是否是基于用户特征和会话动态的冲突或非冲突 由于成对的冲突和非冲突评论不是相互独立的，我们使用随机截尾，多级逻辑回归，评论嵌套在帖子ID下。我们为我们的分析建立了七个模型，每个模型都包括一组额外的变量来测试后续的假设（例如，测试会话动态影响的假设包括所有用户特征）。结果以每个变量的比值比报告，表明其与冲突的关联在输入3之前，所有连续变量均标准化，平均值为0，标准差为1。因此，比值比指示将二分变量从零改变为一（例如，女性到男性）或通过标准差改变连续变量会影响评论具有以下特征的几率：据报道，冲突。除了比值比之外，我们还报告了每个模型的McFadden R2、BIC、对数似然比后者是在具有附加特征集的模型对之间计算的（例如，H2和H3）。 我们讨论如何操作下面的每个功能和假设。的附录包含逻辑回归中使用的每个变量的描述性统计4.2用户特征为了测试是否预先存在的用户特征预测冲突，我们检查之间的差异的评论者的冲突目标评论与评论者的非冲突目标评论。为了测试冲突和非冲突评论者在相对静态的用户特征（H1）上是否不同，我们比较了3除了Facebook年龄，28天活动，平均愤怒情绪，二进制和斜率特征之外的所有特征在标准化之前都进行了额外的对数转换理解在线对话WWW2596/图3：28天用户主题间隔的对话主题示例。每个动作（例如，注释）被标记有针对主题中涉及的每个用户的去识别ID他们的性别（自我报告），国家，年龄，朋友数量，Facebook帐户年龄，以及目标评论前28天（28天活动）在Facebook上的活动天数为了测试他们在参与消极在线活动（H2）方面是否存在差异，我们比较了用户在目标对话之前参与的对话主题。模体是一个更大的网络图的循环子图，在其中显示局部模式我们研究的主题是Facebook会话图的子图这些交互由评论和反应组成模体以元组和三元组的形式收集 我们在图3中展示了三种不同的对话主题的例子。例如，主题1显示一个人对另一个人的评论做出愤怒的反应，主题2显示用户2回复用户1的评论，然后用户1依次回复。我们主要对用户主题感兴趣，这是用户在目标对话之前28天内参与的主题（或交互模式）重要的是要注意，每个主题动作的用户ID（例如，评论）与用户在Facebook上的实际ID无关。例如，图3中的主题1表示一个交互，其中被标记为“2”的去识别用户对用户1的评论给出愤怒的反应。由于去识别化，我们不能容易地跟踪特定用户的特定动作，只能确定每个用户参与的主题类型（例如， 在Motif 1中，我们知道相关人员的身份，但不知道是谁发布了原始评论或愤怒的反应）。由于我们对冲突用户是否参与了更多的负面在线活动感兴趣，我们计算了他们包含的七种反应类型之一的图案数量因此，我们正在计算用户在线给出、接收或交互（通过相互评论）各种反应类型的我们将每种反应类型的计数视为回归模型中的单独变量。为了测试冲突用户是否参与了之前的负面在线活动（H2），我们将愤怒反应视为为了测试冲突评论者是否与他们的群组联系较少（H3），我们检查了用户在目标评论之前的28天内成为群组成员的时间以及他们在群组中的活动，包括他们的喜欢，评论，帖子和反应的数量。4.3会话动态我们从两个方面考察了会话动态与冲突的关系：平均特征和演化特征。 对于前者，我们计算会话特征的平均值（例如，在谈话中的平均愤怒）。当检查对话在谈话中从早到晚的愤怒变化为此，我们将对话分为三个部分（即，开始、中间和结束），其中每个部分包含相等数量的评论，并计算每个时间段中评论的平均特征值。我们根据数据集中对话历史的最小长度将对话分为三个部分。 由于我们数据集中对话的长度各不相同，因此一个时间段内的最小评论数为1（对于短对话），最大值为max_len <$th3。在检查评论间回复率时，我们将每个对话分成两个部分（即，开始和结束），因为注释之间的间隔比注释的使用这些值，我们计算最佳拟合线，并利用线的斜率来表示整个会话中特征的演变。在计算平均值和斜率值时，我们从顶级注释开始，以目标注释之前的注释结束我们在进化分析中不包括目标注释。研究平均特征值为我们提供了冲突和非冲突对话的静态比较（例如，冲突的对话是否包含更多的愤怒？）。 斜率值允许我们检查变量中的变化如何与冲突相关（例如，随着时间的推移，冲突的对话会变得更加愤怒斜率大于零表示变量从对话的开始到结束是递增的，而斜率小于零表示它是递减的。为了测试冲突对话是否会随着时间的推移变得更加激烈和情绪消极（H4），我们研究了对话中的三个不同特征：情绪，仇恨言论的使用，以及在回复率中反映的对话速度。我们利用两个情感分析模型4 [5]，它们都是在Twit-ter社交媒体数据上训练的[31，35]。我们对两个模型的结果进行平均，以解释原始数据收集中的变化其中DistilBERT模型[34]是在与情感相关的主题标签上训练的，而RoBERTa模型[29]是在通过基于情感的关键字列表收集的数据上训练的。我们只考虑用这两种模型测量的情绪：愤怒、喜悦和悲伤。为了做到这一点，我们将每个模型的输出中的分数然后，我们计算两个模型中每种情绪的平均得分，以解释模型的特质。对于会话历史中的每个评论，我们用这种方法计算三个情感分数例如，模型表明图1a中的C4在愤怒中很高利用分数消极和爱，像，对不起，和支持作为积极的，与哇哈哈，模棱两可。4https://huggingface.co/bhadresh-savani/distilbert-base-uncased-emotionWWW放大图片作者：Robert E.作者声明：A.Yu，Kristen M.Altenburger和Yi-Chia Wang2597每一个评论，我们计算平均和斜率的情绪得分的对话。我们从不同的角度分析了对话中的消极性，我们研究了仇恨言论的使用，它可以被定义为对个人或团体的攻击性或威胁性语言。为了分析仇恨言论在对话中的使用情况，我们使用了一个仇恨言论检测器，该检测器对文章是否包含仇恨言论[3]5.包括一个连续的在我们的分析中，我们使用模型的置信度得分。该模型表明，图1b中的示例C4由于短语“你是傻瓜吗？"而具有比对话中的其他评论更高的仇恨言论程度用于操作会话强度的最后一个变量是回复间速率，较快的回复（即较小的回复间速率）表示更激烈或更激烈的会话。我们计算会话历史中每个连续评论对之间的时间 在计算互回复率的斜率时，我们使用的是对话后半部分与前半部分的平均值之比。这样做是为了解释一些简短的对话，其中只包含两个inter-reply值。为了测试H5关于冲突的群体或个人性质与先前的研究[37，39]一致，我们将代词的使用作为群体的指标进行研究（例如，“我们”、“我们”和“他们”）或个人性质（例如， 我们还研究了对话中唯一参与者的数量。我们计算对话中每种类型的代词的数量，以及在对话过程中如何变化：第一，第二和第三人称单数和复数代词。由于英语不区分第二人称单数和复数代词，我们将带有“you”和用户提及的评论你是如此冒犯为了测试冲突对话是否包含组内/组外性质（H5 a），我们检查了复数代词的使用，其中复数代词的使用增加可以指示组身份焦点。 为了测试H5b，我们分析了会话中单数代词的使用情况和唯一评论者的数量。 为了计算后者，我们计算会话历史中唯一评论者的数量，并将其除以会话历史长度。此比率表示每个对话中唯一评论者的数量例如，如果对话包含两个用户和五个评论，则计算值为0.4。单数代词的增加和每次对话的独立用户数量的减少定义了更个性化的对话。5结果和讨论多水平logistic回归模型的结果见表2。给定McFadden的R2、BIC和Log Likewalues，我们发现模型拟合随着添加到模型中的每一组特征而提高，即使在调整其复杂性时也是如此。我们提供所有预测变量的结果，包括用户-级别控制性别，年龄，Facebook年龄，朋友数量，28天[5]本文中对仇恨言论的定义来自[3]中描述的检测器，而不是来自Meta活动我们没有显示国家控制变量的结果，尽管它们被包括在模型中我们提供了每个特征的比值比，并在下面讨论结果现有用户功能（H1）。除年龄外，所有预先存在的用户人口统计变量都具有统计学意义。 最有趣的是，结果表明，冲突评论者更有可能是男性，有一个新的Facebook帐户，在Facebook上的朋友更少。 用户的性别是最强的预测因素，男性参与报告冲突的几率比女性高出约60%。这种鲜明的对比在图4a很明显，其中非冲突评论者几乎三分之二是女性，而冲突评论者在性别上更为平衡。参与在线活动（H2）。用户主题的结果显示，冲突评论者更有可能参与带有愤怒和哈哈反应的对话，而不太可能参与带有抱歉，支持，爱和喜欢反应的对话。这些结果表明，与非冲突评论者相比，冲突评论者参与了情绪消极的在线对话，而较少参与积极的在线对话（例如，支持）。然而，由于模体的收集方式是去识别化的，这些结果并不能告诉我们冲突评论者是负面反应的来源，他们的目标，还是仅仅是产生这些反应的对话中的旁观者。连接到组（H3）。 与非冲突评论者相比，冲突评论者通常与发生冲突的群体联系较少。他们不太可能通过发起帖子（OR=0.81）或对他人的帖子或评论（OR=0.80）进行积极的反应来开始相反，他们更有可能评论他人的贡献（OR=1.08）。这些结果表明，冲突评论者并没有以积极的方式推动对话，而是对其他成员的帖子和评论做出负面反应，正如我们在下一节中所展示的那样，检查他们的评论内容。此外，冲突评论者成为小组成员的时间减少了16%（OR=0.95），冲突评论者的中位数为5.3个月，这与以下解释是一致的，即他们没有时间与该团体建立联系或理解其规范，或者他们加入该团体是为了制造冲突。情绪和强度（H4）。三种情绪-愤怒、悲伤和喜悦-的平均和斜率情绪值为了减少多重共线性，我们在多水平模型中只包括愤怒情绪结果表明，冲突性谈话中总的来说包含更多的愤怒（OR=1.61），并且愤怒随着谈话的进行而增加（OR=1.28）。图4b显示了冲突对话和非冲突对话中愤怒的变化，其中冲突对话比非冲突对话开始时更愤怒，差距扩大，冲突对话变得更愤怒，而非冲突对话变得更少愤怒。 这种趋势在图1b中得到了说明，其中用户1首先中立地回应帖子（“两者都很普通，但我认为蜘蛛侠更强大”），但以愤怒结束（“你对自己太不安全了......长大吧。冲突对话的总体理解在线对话WWW2598表2：来自多水平逻辑回归模型的每个变量的比值比，其中比值比> 1与冲突正相关，比值比1与非冲突正相关我们还包括每个特征的p值，其中 *：p0.05，**：p 0.01，*：p 0.001。特征类型特征H1H2H3H4H5用户年龄0.975*0.9810.9950.9900.9951.0091.011性别（男性）1.596***1.360*1.385*1.290*1.380*1.202*1.348*FB年龄0.891*0.883*0.886***0.903*0.888*0.911*0.890*朋友数0.926*0.958**0.946**0.944**0.947*0.943**0.947*28天活动0.936*0.941*0.943*0.948*0.942*0.945*0.938*爱（主题）0.897*0.904*0.924*0.903*0.913*0.895*喜欢（Motif）0.922*0.9920.9880.9900.9960.997支持（Motif）0.874*0.890*0.908*0.885*0.903*0.877*Motif（英语：Motif）0.867*0.887*0.896*0.891*0.912*0.896*Motif（Motif）0.9590.9871.0050.9861.0180.993愤怒（Motif）1.371***1.341*1.267*1.336***1.261*1.338*哈哈（Motif）1.243*1.216*1.177*1.223*1.169*1.220*#评论1.078*1.086*1.084*1.0291.035#喜欢0.803*0.802*0.801*0.829*0.821*反应数量0.9650.956*0.9680.9660.978#Posts0.807*0.820*0.806*0.823*0.804*组成员长度0.953*0.942*0.952***0.949*0.956*谈话平均斜率平均斜率愤怒（情绪）1.612*1.280*1.519***1.259*仇恨言论1.090*1.0011.094*1.004答复率1.102*0.944*1.123*0.973第一个单数（代词）0.871*1.034第一复数（代词）0.949*1.002第二单数（代词）1.536*1.359*第二复数（代词）1.060*1.049*第三单数（代词）0.9841.005第三复数（代词）0.902*0.930*唯一评论者0.763*0.737***麦克法登0.0160.0300.0460.0860.0570.1290.087BIC42533.842010.841372.339660.340951.537906.739727.1对数似然对数似然比（Chisq）-21204.8-20907.1595.4*-20562.0690.1*-19690.5451.9*-20336.11743.1-18777.51825.9*-19687.71296.7*(a) 性别(b) 愤怒（情绪）（c）第二人称单数代词图4：性别、愤怒情绪和第二人称单数代词在冲突和非冲突评论者和对话中的差异。图b和c表示整个对话中愤怒情绪和第二人称单数代词使用随时间的变化，并包含特征斜率线和黑色条，以反映95%的置信区间。WWW放大图片作者：Robert E.作者声明：A.Yu，Kristen M.Altenburger和Yi-Chia Wang2599使 用 仇 恨 言 论 （ OR=1.09 ） ， 但 这 并 没 有 增 加 更 多（OR=1.00）。回答率的结果显示，虽然冲突对话的回答率总体上 较 慢 （ OR=1.10 ） ， 但 随 着 对 话 的 进 行 ， 回 答 更 快（OR=.94）。这表明，虽然参与冲突的用户在对话开始需要更长的时间来解释自己，但随着对话的深入，他们会更快地回应对方个人与 团体定向（H5）。 为了研究群体语言在冲突对话中是否更常见，我们考察了第一人称复数和第三人称复数代词的使用。 这些在冲突对话中使用较少（OR 分别为0.95 和0.90），这与我们最初的假设不一致，并表明冲突对话比非冲突对话更不可能涉及组内/组外谈话。相反，冲突对话中第二人称单数（“你”）代词的使用量要大得多（OR=1.54），而且在冲突对话中，第二人称单数代词的使用量在对话过程中增加得更快（OR=1.36），如图4c所示。相比之下，冲突对话中第一人称单数代词（“我”或“我”）较少（OR= 0.87），并且在整个对话中没有变化（OR=1.03），这表明参与者关注的是他人，而不是自己[ 8 ]。除了在使用代词反映群体导向与人际语言的差异，冲突对话涉及较少的参与者整体（独特的评论OR= 0.76）。这些结果共同表明，冲突对话往往是个人的，而不是群体导向的，他们的个人性质随着时间的推移而增加。这些结论在图1b中示出，其中到最后，冲突评论者挑出用户1进行人身攻击，如值得注意的是，某些变量的优势比不同当比较H4和H5中的平均值和斜率列时，特别是对于性别和用户图案。这是由于这些特征与平均愤怒情绪之间的弱相关性（0.15皮尔逊相关性）而导致的统计伪像6结论讨论 在本文中，我们分析了在Facebook上的群体对话中出现的在线冲突。附录中的图6显示了表2的H5斜率模型的结果，可视化了 用户发现表明，一些用户，例如男性，甚至在对话开始之前就倾向于冲突。此外，冲突评论者通常不能很好地融入他们的群体。我们对冲突演变的研究表明，冲突变得更加个人化，并集中在其他个人身上（例如，单数“你”代词的增加愤怒的语言和回复速度的增加）。总之，这些结果表明，在冲突对话中，人们与群体的联系较弱[40]，缺乏和谐和同情心[8]，这可能导致人们在对话中相互攻击。由于我们分析中检查的许多特征不是具体到Facebook，我们的方法可以推广到非Facebook相关的环境（例如，Reddit Twitter）。具体而言，会话动态分析，预先存在（H1）和组连接（H3）功能在其他平台上也可用。虽然我们的研究只调查了在线冲突，但我们假设具体的发现，例如对话中愤怒变化的重要性，可能会在在线和离线对话中推广。 在某种程度上，离线和在线群体中冲突的性质和演变是相似的，因为数据的细粒度和档案性质，在线冲突的研究可能会导致无法从离线研究中获得的见解。然而，在线冲突可能不同于离线冲突，因为在线群体的规模和流动性，陌生人之间的沟通的可能性，以及在线群体沟通的相对公开性。在线冲突的研究也具有重要的实际意义，可以指导社会媒体技术的改进，以更好地适应在线互动的独特方面 这种类型的研究可能会导致创建更好的冲突检测工具，以在冲突出现时识别冲突，而不是在冲突已经发生后识别冲突。这些工具可以使组的管理员和主持人更早地得到正在出现的冲突的通知，并在冲突爆发之前介入调解对话或发出警告新出现的冲突的参与者降温。6早期冲突通过检查参与者的对话前行为和早期对话动态，检测还可以实现对参与对话的用户的自动通知，在对升级的冲突做出响应之前警告他们，并提醒他们同情地做出响应。局限性。研究代词用法时的一个局限是表达特定代词的各种方式，例如“ya”表示“you”，“y'all”表示“you”的复数形式。相反，我们只研究这些代词的标准美式英语版本此外，我们决定创建成对的冲突/非冲突样本来控制帖子和群组的内容，这阻止了尽管匹配，但配对的会话线程中的主题可能会漂移，从而引入基于内容的影响。后续步骤。上面描述的一些限制可以作为未来研究的垫脚石。例如，人们可以超越仅仅依靠代词来识别基于身份的对话，并在对话中使用其他指标，如人口统计类型的关键字[41]。此外，研究特定线程 虽然我们研究了参与者的数量以及语言在对话过程中的变化，但我们还没有研究群体动态的其他方面，例如新参与者在对话开始后加入对话以及联盟形成的影响，例如，[25]第10段。此外，我们研究了负面情绪和仇恨言论，但不是积极类型的会话语言的影响，如礼貌和赞同[4，45]。 也许最需要的是对冲突的社会心理学有更丰富的理论理解，例如Weingart等人的探索性工作。[44]，它可以作为一个框架，在此基础上，从研究在线冲突中获得经验性的理解。6 见 https ： //w www.theverge.com/2021/10/6/22713211/twitter-pre-tw eet-prompt-fight-intense-conversation。理解在线对话WWW2600引用[1] MahmoudAl-Ayyoub ， AbdullateefRabab'ah ， YaserJararweh ，Mohammed N Al-Kabi，and Brij B Gupta. 2018.研究网络群体互动中的争议应用软计算66（2018），557[2] Hind Almerekhi，Haewoon Kwak，Joni Salminen，and Bernard J Jansen.2020年。这些评论是否会引发争议？预测在线讨论中的毒性触发因素。在2020年的网络会议上。3033-3040.[3] Sai Saket Aluru ， Binny Mathew ， Punyajoy Saha ， and AnimeshMukherjee.2020年。用于多语言仇恨语音检测的深度学习模型arXiv预印本arXiv：2004.06465（2020）。[4] Jiajun Bao，Junjie Wu，Yiming Zhang，Eshwar Zirasekharan，and DavidJurgens. 2021年 对话顺利进行：量化和预测在线对话中的亲社会结果。在2021年的网络会议上。1134-1145.[5] Francesco Barbieri ， Jose Camacho-Collados ， Luis Espinosa Anke ， andLeonardoNeves. 2020年。TweetEval：推文分类的统一基准和比较评估2020年自然语言处理经验方法会议论文集。1644-1650年。[6] Justin Cheng，Cristian Danescu-Niculescu-Mizil，and Jure Leskovec.2015年。反在线讨论社区的社会行为第九届AAAI网络和社交媒体国际。[7] Minje Choi ， Luca Maria Aiello ， Krisztián Zsolt Varga ， and DanieleQuercia.2020年。对话和关系的十个社会维度在2020年的网络会议上。1514-1525年。[8] Cindy Chung 和 James W Pennebaker 。 2007 年 虚 词 的 心 理 功 能 Socialcommunication1（2007），343[9] Mauro Coletto ， Kiran Garimella ， Aristides Gionis ， and ClaudioLucchese.2017年。社交媒体中的自动争议检测：一种基于内容独立主题的方法。在线社交网络和媒体3（2017），22[10] CKW de Dreu。2010年。 社会冲突：斗争和谈判的产生和后果。社会心理学手册：卷。 2（2010），983-1023.[11] 卡斯滕·KW. De Dreu和Laurie R.温加特2003年。任务与关系冲突，团队绩效和团队成员满意度：荟萃分析。Journal of Applied Psychology88，4（2003），741[12] Luis Gerardo Mojica de la Vega和Vincent Ng.2018年在社交媒体对话中建模拖钓第十一届语言资源与评估国际会议（LREC2018）。[13] Frank RC De Wit，Lindred L Greer，and Karen A Jehn. 2012.群体内冲突的悖论：一项元分析。应用心理学杂志97，2（2012），360。[14] 弗兰克作者：Karen A. Jehn和Daan Scheepers。2013.任务冲突、信息处理和 决 策 ： 关 系 冲 突 的 破 坏 性 影 响 。组织 行为和人 类决策 过程122 ，2（2013），177https://doi.org/10.1016/j.obhdp.2013.07.002[15] Shiri Dori-Hacohen和James Allan。2013年。在网上发现争议 第22届ACM信息&知识管理国际会议论文集。1845-1848年。[16] Shiri Dori-Hacohen和James Allan。2015年。网络上的自动争议检测。欧洲信息检索会议。斯普林格，423[17] 爱丽丝·H·赫利和瓦莱丽·J·斯特芬。1986.性别与攻击行为：社会心理学文献的