<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>انجمن ایرانی مطالعات فرهنگی و ارتباطات</PublisherName>
				<JournalTitle>جامعه فرهنگ رسانه</JournalTitle>
				<Issn>2322-3855</Issn>
				<Volume>9</Volume>
				<Issue>36</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>11</Month>
					<Day>21</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Journal of Information Technology and Policy
Examining the weak and strong Islamophobic hate speech on social media</ArticleTitle>
<VernacularTitle>ژورنال فن آوری اطلاعات و سیاست بررسی کلام تنفرآمیز ضعیف و قوی اسلام هراسانه در رسانه های اجتماعی</VernacularTitle>
			<FirstPage>157</FirstPage>
			<LastPage>174</LastPage>
			<ELocationID EIdType="pii">133188</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>نیما</FirstName>
					<LastName>اسلامی الکامی</LastName>
<Affiliation>مدیریت توسعه زیرساخت، دانشگاه آزاد اسلامی واحد تهران جنوب</Affiliation>

</Author>
<Author>
					<FirstName>مریم</FirstName>
					<LastName>مقیمی</LastName>
<Affiliation>دکتری ارتباطات</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
		<Abstract>Islamophobic hate speech on social media is a growing concern in contemporary Western politics&lt;br /&gt;and society. It can inflict considerable harm on any victims who are targeted, create a sense of fear&lt;br /&gt;and exclusion amongst their communities, toxify public discourse and motivate other forms of&lt;br /&gt;extremist and hateful behavior. Accordingly, there is a pressing need for automated tools to&lt;br /&gt;detect and classify Islamophobic hate speech robustly and at scale, thereby enabling quantitative&lt;br /&gt;analyses of large textual datasets, such as those collected from social media. Previous research has&lt;br /&gt;mostly approached the automated detection of hate speech as a binary task. However, the varied&lt;br /&gt;nature of Islamophobia means that this is often inappropriate for both theoretically informed&lt;br /&gt;social science and effective monitoring of social media platforms. Drawing on in-depth conceptual&lt;br /&gt;work we build an automated software tool which distinguishes between non-Islamophobic, weak&lt;br /&gt;Islamophobic and strong Islamophobic content. Accuracy is 77.6% and balanced accuracy is 83%.&lt;br /&gt;Our tool enables future quantitative research into the drivers, spread, prevalence and effects of&lt;br /&gt;Islamophobic hate speech on social media.</Abstract>
			<OtherAbstract Language="FA">سخنان تنفرآمیز اسلام هراسی در رسانه های اجتماعی دغدغه ای فزاینده در سیاست و جامعه غربی معاصر است. این امر می تواند آسیب های قابل توجهی بر تک تک قربانیان مورد هدف داشته باشد و احساس ترس و محرومیت را در بین جو.امع آنان ایجاد و گفتمان عمومی را زهر آلود کند و دیگر شکل های افراط گرایی و رفتارهای تنفرآمیز را موجب شود. براین اساس، نیاز مبرمی برای ایجاد ابزارهای قوی خودکار و در مقیاس بالا جهت شناسایی و طبقه بندی سخنان تنفر آمیز اسلام هراسی وجود دارد تا به وسیله آن تجزیه و تحلیل های کمی پایگاه های داده متنی بزرگ از جمله موارد گردآوری شده از رسانه های اجتماعی امکانپذیر باشد. تحقیق قبلی به میزان زیادی به شناسایی خودکار سخنان تنفرآمیز به عنوان یک کار باینری نزدیک شد. اما ماهیت گوناگون اسلام هراسی به این معنی است که این موضوع غالبا به لحاظ علوم اجتماعی نظری و نیز پایش موثر پلتفرم های رسانه های اجتماعی امری بیمورد و نابجاست. ما با ترسیم کار عمیق مفهومی، یک ابزار نرم افزاری خودکار ساخته ایم که بین محتوای غیر اسلام هراسی، اسلام هراسی ضعیف و اسلام هراسی قوی تمایز قائل می شود.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">"سخنان تنفرآمیز"</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">" اسلام هراسی"</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">"تعصب"</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jscm.ir/article_133188_1e4d0b6849d3b55346edd4c7090372b2.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
