SSDにおける解釈可能なセマンティック勾配: PCAスイープ手法とAI言説に関するケーススタディ

要旨:
Supervised Semantic Differential (SSD) は、埋め込み空間における意味のセマンティック勾配を推定し、クラスタリングとテキスト検索を通じてその極を解釈することで、連続的な個体差変数によってテキストの意味がどのように変化するかをモデル化する、量的・解釈的の混成手法です。SSD は回帰の前に PCA を適用しますが、保持する成分の数を選ぶための体系的な方法は現状存在せず、分析パイプラインに回避可能な研究者の自由度を導入します。私たちは、表現能力、勾配の解釈可能性、および近接する K の値に対する安定性という共同基準として次元選択を扱う PCA スイープ手順を提案します。この方法を、Admiration および Rivalry のナルシシズム尺度を完了した Prolific の参加者によって書かれた人工知能に関する短文のコーパスを用いて実証します。スイープは、AI に対する楽観的で協調的なフレーミングを不信的で嘲笑的な言説と対照する、Admiration に関連する安定して解釈可能な勾配を生み出します。一方、Rivalry には堅固な整合は現れませんでした。我々はまた、高い PCA 次元解ごとにヒューリスティックを用いた反事実が、拡散的で構造が弱いクラスタを生み出すことを示し、K のスイープに基づく選択の価値を強化します。ケーススタディは、PCA スイープが研究者の自由度を制約しつつ SSD の解釈的目的を維持する方法を示し、含意意味の透明で心理学的に意味のある分析を支援します。