利用Reddit自我声明数据的社会人口统计推断：朴素贝叶斯模型的比较优势

《Scientific Reports》：Transparent sociodemographic inference on reddit from self-declarations

　　社会人口统计信息为解释数字行为及其社会影响提供了关键背景，这在许多计算社会科学研究中尤为重要。然而，用于训练和验证当前推断方法的标签，往往依赖于研究者定义的代表性指标或模糊的建模假设。这使得人口统计测量难以审计，尤其是在将推断属性用于解释群体层面模式时。本文利用超过85万份Reddit用户公开声明的年龄、性别和党派倾向作为明确的监督来源，研究社会人口统计推断。我们基于稀疏的子版块参与信号训练模型，并将简单的概率模型与常用于Reddit分析的基于嵌入的基线方法进行对比。在粗粒度二分类和聚合量化任务中，多项式朴素贝叶斯模型的表现往往优于更复杂的替代模型。相对于无监督的先进嵌入方法，NB模型将ROC AUC提升了高达\(19\%\)。在真实监督下，NB模型在性别和出生年份上的量化误差保持在\(15\%\)以下。模型输出经过校准且具备可解释性，从而支持不确定性估计和子版块级特征重要性分析。这些结果将用户自我声明定位为研究Reddit上用户层面和群体层面社会人口统计模式的明确且可审计的监督来源。通过将标签建立在用户提供的声明基础上，该框架减少了对研究者选定代理指标的依赖，并支持对在线社区进行透明的群体层面分析。