本文提出了一种基于关注机制的多角度模型，利用文本、标题、内容以及链接结构等多种视角识别新闻文章所展现出的政治意识形态，实验证明该模型在自然语言处理的表示学习和网络科学中的进展方面，比现有的基线模型在F1得分上提高了10个百分点。

Sep, 2018

本研究提出了一种多任务序数回归框架，其中包含了几个辅助任务，旨在联合模拟新闻媒体的可信度和政治意识形态。研究结果表明，相对于针对单个问题进行建模的模型，联合模型可以获得更好的性能提升。

Apr, 2019

该研究通过构建多模数据集和深度学习算法，探讨了基于视频和音频进行新闻YouTube频道的政治意识形态预测问题，并在文本和元数据的基础上通过使用声音信号，将偏见检测能力提高了6%以上。

Oct, 2019

本文研究了训练数据中的政治意识形态偏见对自然语言处理模型的影响， 发现大而复杂的模型容易从人选择的输入中传播偏差，从而导致检索准确性的恶化。最后，我们提出一种方法来减轻这种偏差，即学习一个对政治意识形态不变但仍然可以判断主题相关性的文本表示。

Nov, 2020

本文提出了一种新的监督学习方法，用于政治意识形态预测，该方法可以预测超出分布输入；在此基础上，提出了一种新的统计模型，将文档嵌入分解为两个向量的线性叠加 - 一个独立于意识形态的潜在中性上下文向量和一个与意识形态对齐的潜在位置向量；在两个基准数据集上，证明了该模型即使在仅使用5％的偏向数据进行训练时也能够输出预测，并且比现有技术显着更准确。

Feb, 2023

本文提出了一个启发式方法来将社交媒体帖子分类为五个不同的政治倾向类别，通过在Twitter和Gab这两个具有不同政治意识形态的社交媒体数据集上利用现有时间序列预测模型，我们的工作旨在为预测社交媒体平台中的政治偏见的挑战和机会提供启示，最终要为在数字领域减轻政治偏见的负面影响开发更有效的策略铺平道路。

Sep, 2023

利用可靠的外部数据资源学习新闻文章的公正表示，提出了一种知识注入的深度学习模型，旨在预测新闻文章的政治倾向，解决了现有学习模型在模型训练中受到新闻发布者的政治偏见影响的问题，从而消除了算法政治偏见，并在准确性方面优于基线方法，可达到73%的准确率。

Sep, 2023

新闻媒体塑造公众舆论，通过选取或省略支持某一方的党派事件以隐晦的方式塑造信息受众的观点，本研究通过比较多篇关于相同事件的新闻文章，并识别出揭示意识形态的党派事件，开发了一种基于潜变量的框架来预测新闻文章的意识形态，发现新闻报道的倾向性可以通过文章之间的对齐和交叉比较获得，相比竞争性基准模型更为准确，结果揭示了媒体的高层次偏见存在，即使是在拥有客观和无党派的强烈规范的主流媒体中也是如此。

Oct, 2023

通过使用新闻媒体偏见和帖子内容来标记社交媒体帖子的两种启发式方法，以及与随机抽取的人工标注数据集进行比较，我们展示了当前机器学习模型在预测社交媒体帖子的政治倾向方面的改进性能，采用传统的监督学习和少样本学习设置。

Nov, 2023

本研究解决了在自动检测媒体政治偏见方面缺乏有效性的问题，通过比较基于规则和深度学习的两种方法，提出了一种新的视角。研究发现，基于规则的模型在不同数据条件下表现出一致性和更高的透明度，而深度学习模型则依赖于训练集，对未见数据的处理能力较弱，这为政治偏见分类提供了新的理解和应用潜力。

Nov, 2024