文章链接
1. Abstract&Introduction 部分
1 本文主要探索Cyberbullying(网络暴力，比如：骂人，口吐芬芳，问候对方家庭成员等) 在合作竞技游戏(比如LoL英雄联盟)中的情况. 除开提供大规模，基于经验的网络不良行为的理解，这篇文章的工作内容可以用来作为构建相应的检测系统的基础，同时反对这类不良行为。
2 Computer mediated communication(CMC, 计算机即时聊天)带来很多不好的行为，特别是网络暴力以及其他一些类似行为已经变得很严重(大部分文章都提到，也和我们的感受相同，比如祖安玩家太多了)。而比较出名的CMC形式的应用就是网络对战游戏，其中允许实时沟通对话，加上 竞技类游戏的独特性(unique elements)使得玩家更容易遭受网络暴力的侵扰。
3 这篇文章发现:
a) 惊讶地发现，玩家并不是很积极地参与举报网络不良行为
b) 通过显式的请求举报，玩家参与度能得到显著提升(Engagement can be significantly increased via explicit pleas to report, 就是说让队友帮忙举报，队友才会参与进来)
c) 什么构成了网络不良行为在很大程度上会变化，基于不同的人(经历者，和第三方旁观者3rd party “judges“)，定义也不同。言下之意就是当事人可能觉得自己被侮辱了，但旁观者觉得很ok
d) 关于举报自己队友和对手时，带有偏见(biases)。
e) 关于网络不良行为会有强烈的文化差异。(比如中国人说那个，黑人一听以为你在骂niggar…)
f) 游戏的结果和不良行为的表现是有联系的(significantly linked)
4 网络游戏提供给人们另一个交流，交互的平台。为什么研究网络游戏的原因，第一是每一种行动的目的很明确(the purpose of actions is relatively clear)， 第二是行为是可以量化的(actions are quantifiable)。一系列预先定义好的行为(predefined actions), 都可以反应玩家正面或负面的含义或暗示(connotation)。所有这些action，玩家的言语，都像是丰富的电子指纹(electronic footprints)，允许人们进行社交动态(social dynamics)的研究。
5 网络游戏越来越发达(Introduction 第二段就光在说这个), 接着第三段就大致定义了一下哪些属于toxic behavior: cyberbullying, griefing(悲伤？), mischief(恶作剧), cheating， 等一系列行为。但实际上关于toxic的定义并不明确（大部分都这么说）,并且语言本身是具有一定的模糊性的。
6 下一段说年轻人玩游戏多，更容易受影响，甚至导致现实生活中的不良后果: 焦虑，自杀等
7 从社会学和心理学角度，本文探究了一系列竞技类网游的toxic不良行为
2. Background
8 这里大部分都在讲一些介绍游戏(League of Legends as a Team Competition Game)，LoL如何举报玩家(Player Reports on Toxic Behavior)，以及一些常见的不友好行为，比如送人头(intentional feeding)，和退游戏，具体的内容相信玩过游戏的都能理解。
9 然后提到了有一个叫做Tribunal的工具，用来判定玩家是否应该收到惩罚，只有被举报超过几百次的玩家会被送到Tribunal这个检测系统中。一旦达到这个次数限制，这个玩家被举报的场次中会被随机选择5场，其聊天内容会被整合到一起，形成一个case(up to 5 randomly selected matches that an accused palyer was reported in are aggregated into a case). 其他拥有足够时间的游戏玩家会被资助成为评审员。评审员可以看到完整的聊天日志，以及一些游戏表现，但全都是匿名内容。
10 大致审核内容如上面，每一个case都会有100-150的评审员投票，然后采用多数表决制。被罚的玩家可能会被封号一周，几个月，甚至更长。
3. Data Collection
11 早期研究依赖于self-reports, 并且受限于质量和规模太小，从而会有很多bias。并且本身self-reports就会被社交倾向性影响，从而倾向于表现的更容易被社会喜爱(self-repots inparticular can be influenced by social desirablility, the tendency to behave in a way that is socially preferable)。所以Tribunal中的第三方提交数据，更值得依赖。
12 另一个广泛使用的方法是问人们一些假设情景，但这同样也会有社会倾向的bias, 并且会受限于场景的局限性和规模(很多场景是很难被设想出来的)。 本文 用到的大规模收集观测数据的方法很好解决了这个问题(Our huge collection of witness reports on observed toxic behavior helps address these problems.) 并且crowdsourced decision这种方法，更加客观。
13 只考虑研究北美区，西欧，以及韩国的数据（因为作者是韩国的）。并且假定大部分玩家都是连接最近的服务器，而不是亚洲人去打美北区。
14 数据分布如下图
4 Research Questions and Hypotheses
15 这一章中，本文把研究问题规范成一个toxic player(后面都翻译成祖安玩家)如何表现，以及其他选手对他如何反应。并且说网络不良行为可能会因为匿名性从而被加剧，因为人们觉得不必为网络行为负责。从心理学角度而言这也是合理的
4.1 Bystander Effect and Vague Nature of Toxic Playing
旁观者效应和不良游戏行为的模糊特性
16 RQ1a 第一个问题是人们有多主动举报对方
旁观者效应讲的是旁观者有一定倾向拒绝帮助受害者，特别是当他们沉浸在一个群体中时。如果旁观者效应生效，那么游戏中很多玩家可能不会举报关于别人的祖安行为。（比如队友被骂了，但与你无关，所以你可能不会帮忙举报，只会看着）
于是假设1.1 如果有人要求举报祖安玩家，举报数量会上升
(题外话，我一想这不是废话吗)
17 RQ1b 第二个问题 toxic playing的模糊特性如何影响Tribunal的决定
由于（骂人也分等级）toxic playing 有不同的严重性，（有些骂人不带脏字，并且很隐晦），这种模糊特性可能会影响举报的评审。
4.2 In-group Favoritism and Out-group Hostility
18 RQ2: 举报队友和对手的不良行为的区别
对队友可能有所偏袒，对对手可能有过度夸张，会产生bias
这就涉及到homophily(同质性), 即相似的个体有倾向形成关系。
只是成为匿名团体的一部分还不足以成为反常行为的动机。当和对面有对比时，才能有效，大概意思就是只有匿名性和环境才会启动 去个体化(deindividuaation)
假设2.1 当不良行为同时影响我方和对方时，队友之间更小的可能会提交举报，而有更大的可能会举报对手。
4.3 Intra-group Conflicts and Socio-political Factors
19 由于游戏的特性，队内也会有冲突的时候(骂队友玩的菜)
而当队友玩的很菜时，这种情况下，他的不良行为就会产生和之前提到的不同的效果，这种情况下，队友会责备他而对手则一般不会（4v6还责备啥）
20 RQ3: 社会政治因素对网路不良行为的影响
大概讲了一下就是每个区域，国家之间是有差异的，比如像北美和西欧是更加个人主义的，在这样的环境下，即时一些由于选手表现不佳而导致的网络暴力行为，根深蒂固的敌意会更少(less ingrained hostility towards another player’s poor individual performance)。
假设3.1 由于更加团队成功导向的社会政治环境，相比于其他国家，韩国的网络不良行为侵犯更不容易被惩罚
21 集体主义者们，如韩国日本，会比个人主义者们会更加注重团队合作，以及更有归属感
假设3.2 和3.3 关于会影响游戏结果的无论是普通行为还是网络暴力行为，都更容易被举报和惩罚。
4.4 Team-cohesion and Performance
22 团队凝聚力，然后说一个消极的队友可能会导致整个团队的消极和失能(dysfunction), 以及信任降低。
RQ4 不良行为，玩家举报，团队合作之间的关系
假设4.1 更多的举报来自于 被举报者是输掉比赛的那一方
假设4.2 相比于胜利的队伍，输掉比赛的被举报者有更多被原谅的案例
5. Results
5.1 Bystander Effect and Vague Nature of Toxic Playing
23 下图展示了每个区域 不同类型行为的分布
所有区域，不良行为报道的均值和中位数分别是1.812和1，平均每场比赛没有超过2人被举报有不良行为。其中"送人头"(intentional feeding)被举报的次数最多，超过50%的案例都有至少一次举报，特别是韩国区和西欧区超过了60%。但大多数都少于3次举报。相对于被曝光的玩家而言，这已经是非常低了。平均而言，LoL玩家不主动举报不良行为玩家。
24 紧接着，为了测试假设1.1， 他们寻找了一个呼吁大家一起举报某个人的情景。为了测试这个，设定了两种变量，其一是 是否有明显的请求，其二是 是否敌方队伍会（帮忙）举报送人头或者帮助敌人这种行为(因为从结果而言，他们是获利的，并没有任何损失)。
对于第一个变量，如果单词report出现在所有chat中，就是1，否则就是0。
然后创造了一个关于这两个变量的2x2矩阵。用卡方检验(Chi-Square Test)以及Yates连续性修正(Yates’ continuity correction) 揭示了敌方队伍的举报百分比和明显要求(帮忙举报)显著不同。这里原话是A Chi-Square test with Yates’ continuity correction reveals that the percentage of reporting by enemies significantly differs with the existence of explicit requests (χ2(1, N = 580,480) = 194552.9, p < .0001).
25 惊讶地发现，通过Odds Ratio发现当有要求举报时，敌方队伍举报的概率是16，37倍大（相对于没有要求举报）。这就支持了假设1.1。另而言之，观察者效应通过显示请求是中立化的。
26 接下来是探究假设2， 首先研究的是对不良行为的认知以及举报数量之恋的联系。在所有7中toxic playing 不良行为中，送人头和帮敌人是最详细表达的。这两种类型的平均举报书也比其他类型高。详细见下图。
然后Kruskal Wallis测试显示了巨大的影响(χ2(6) = 117,399.1, p < .0001).然后用pairwise Wilcoxon test with Bonferroni correction发现不同类型之间有显著差异 (p < .0001).
27 下图显示了原谅和惩罚的比例
北美区是477,383 punishments (80.9%) and 112,930 pardons (19.1%)
西欧区559,449 (86.0%) and 90,966 (14.0%)
韩国区187,253 (85.0%) and 32,929 (15.0%)
spamming是原谅比例最高的
1/4的案例中，评审员并没有发现玩家的不良行为，这种高原谅率(high pardoned ratio)证实了语言模糊特性的影响。
5.2 In-group Favoritism and Out-group Hostility
28 为了验证假设2.1 ，进行了一些对比实验
从上图发现，正如假设的一样，只有不合适的名字(inapproproate name)这一类，敌方举报比友方举报更多。（但他这两个数据量相比较而言似乎有点少）,友方志友16339，敌方有23966，当相比而言，其他几个主要类型都是几十万的规模。然后他得出了假设2.1是ok的。
5.3 Intra-group Conflicts and Socio-political Factors
29 还是看上面的图Figure 4，发现大量的举报是来自队友而不是对手。其中offensive language是举报最多的不良行为，并且很多被队友举报。
其中他提到拳头公司在2012年四月默认关掉了全局聊天(10人，包含敌方), 虽然可以通过操作打开，但不知道是否这个设置使得人们更倾向于队内聊天。为了验证队内举报更多的原因不是因为这个，他们会考虑两种不良行为的临时趋势（temporal trend）。把举报按照固定时间窗口划分，设定为1000个连续的Tribunal 案例数字id。最后结果显示就是频繁的队内冲突并不是因为用户接口的人工影响（即并不是因为前面说的那个默认设定）。
30 为了验证假设3.1，测试了你不同区域的原谅率，韩国17.1%，北美14.3%，西欧9.7%， 然后卡方检验和Yates continuity correction显示了区域的巨大影响。(χ2(2, N = 3,108,172) = 24123.3, p < .0001). 因此假设3.1也是成立的。
31 为了验证假设3.2，Kruskal Wallis test解释了不同区域来自队友的举报的效应很巨大，差不多都是在重复说我们的实验都证实了假设。。有点自圆其说的感觉？
32 关于假设3.3，从下面的Figure 6可以发现，尽管每个区域都严厉惩罚这些不良行为，但仍然是有差异的（论文真好水），发现韩国评审员更有可能认为帮助敌人和送人头是严重的不良行为(severe toxic playing)，并且统一度较其他地区更高。对于Punish，韩国是占主导的大多数，48%，北美27%，西欧24%，从这里可以正式假设3.3。然后相应的也有一些卡方检测(χ2(2, N = 1,955,297) = 83593.08, p < .0001).
5.4 Team-cohesion and Performance
33 假设4.1 更多的举报是来自于输掉比赛的那一方
他们展示了带有95%置信区间的胜利率。从Figure 7 可以发现，很明显的，胜利率是低于50%。有送人头和帮助敌人的胜率则更低（都低于15%）,然后就支撑了假设4.1（？？）
34 假设4.2
因为有些人，在即将输掉比赛的时候，会找理由怪队友，从而举报队友，但事实上真实输比赛的原因并不是因为队友，按照假设，输掉比赛的一方应该有更高的原谅率（即好多情况下并没有真正的不良行为，举报是无效的）。但从Figure 8上图发现，情况却正好相反，所以假设4.2 是不对的。
6 Results
总结部分基本是把前面的重复了一遍。
局限性：本文的数据仅限于游戏，所以玩家在游戏中的不良行为并不能说明他们在真实世界中也会这样，所以该数据应该谨慎使用在其他领域。其次，主要研究对象是LoL，所以其他类似的游戏可能也是有很多区别的，不能一概而论，很多情况并不一定会出现在其他游戏中。然后，由于数据的缺少，关于“ friend”这种关系并不是本文考虑的重点，所以在构建假设时，并没有任何关于这方面关系的（比如有些和朋友开黑的场景，不做考虑）。最后，尽管数据规模大，并且很丰富，但他们时匿名的，所以很难知道这些不良行为玩家以前和以后会如何表现，所以很难进行一些更深层次的假设和验证。
2477
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
