通过探究四种不同的上下文对英语新闻文章中的信息偏误进行分类，我们发现将事件上下文整合在一起可以提高分类的性能并且可以更好地减少错误率。

Dec, 2020

媒体偏见检测需要综合多个新闻来源的信息，以句子级别的政治偏见检测为例，通过考虑上下文中的偏见而进行的任务被证明是一项具有挑战性的任务。我们提出了一种更加小心地搜索上下文的技术，采用偏见敏感和目标感知的数据增强方法，通过与 BERT 等预训练模型的结合，在著名的 BASIL 数据集上进行了综合实验，取得了 58.15 的 F1 得分，明显优于先前方法的最新偏见检测任务。

Oct, 2023

通过构建事件关系图，分析句子层面的媒体偏见，并通过事件关联信息提高偏见句子识别的精确度和召回率。

Apr, 2024

提出了一种新的句子分类方法 Context-LSTM-CNN，利用了与被分类句子相邻的句子形成的上下文和 LSTM 处理被分类句子的远距离依赖关系以及使用了基于 CNN 的短跨度特征。该方法在两个不同的数据集上始终优于以前的方法。

Aug, 2018

通过注意力机制和上下文信息评估单词背景下的信息量，该研究提出了一种用于导出关键上下文元素用于单词理解的有效方法，并探究如何将其应用于学生词汇学习和机器学习中。

Apr, 2022

本研究实验证明在 BERT 模型中加入基于图形的上下文信息会提高模型性能，并在 Pubmed 数据集上取得了 8.51％到 7.96% 的错误率减少，同时仅增加 1.6％的参数。

May, 2023

本文提出了一种基于证据的假新闻检测的方法，采用图形结构挖掘和对比学习来消除信息冗余，获得具有可靠性和区分度的表示，并在实验中证明了 GETRAL 相对于现有技术的优越性。

Oct, 2022

通过研究基于高斯混合模型的概率分布，发现频率和位置对于文章层面的媒体偏见检测至关重要，其次是其精确的时序，相较于只依赖于低水平词汇信息分布的特征和神经文本分类方法。

Oct, 2020

本研究调查了信息性偏见在新闻媒体中的频率以及 Fine-tuning BERT 在预测信息性偏见方面的挑战和未来方向。

Sep, 2019

社交媒体正在成为新闻的主要入口，但由于人们的观点不同，新闻将存在偏见。本文探讨了新闻文章中经常被忽视的偏见检测方面：语义结构。我们提出了一种新颖的归纳式、资源有限的文档嵌入和偏见检测模型（DocNet），其性能超过了大型语言模型。我们还证明了来自相对立政治立场的新闻文章的语义结构（以文档级图形嵌入表示）具有显著的相似性。这些结果可用于提高资源有限环境中的偏见检测。

Jun, 2024