本研究提出了一个新的自然语言生成平台，用于将带有主观倾向的文本转化为客观中立的文本，还提出了一个包含 180000 个句子对的重要语料库，并介绍了两种针对该任务的强大编解码器基线，同时进行了大规模人类评估，结果表明这些算法是自动识别和减少偏见的第一步。

Nov, 2019

本文提出了一种最小监督方法来识别具有微妙差别的新闻文章涵盖的政治争议话题的框架，将经典政策框架细分为能更好地捕捉政治意识形态差异的细粒度子框架，并评估该建议的子框架及其嵌入在移民，枪控和堕胎三个话题上的效果，展示了子框架捕捉意识形态差异的能力，以及分析新闻媒体中的政治话语。

Sep, 2020

本文提出了一种利用新闻报道中引文偏见进行先训练的方法，以预测文章中的前导句。作者把这种方法应用到 BART 和 T5 模型中，为领域适应打下基础，并通过六个基准数据集的实验表明，这种方法可以显著提高摘要质量，取得了零调整的新闻摘要的最新成果。

Dec, 2019

新闻报道中的偏见表现和影响是社会科学的核心主题，近年来在自然语言处理领域受到了越来越多的关注。本研究综述了社会科学的方法，并将其与自然语言处理领域中用于分析媒体偏见的典型任务表述、方法和评估指标进行了对比。我们讨论了开放性问题，并提出了可能的研究方向，以填补理论与预测模型之间及其评估之间的差距。这些包括模型透明度、考虑文档外部信息以及跨文档推理而非单一标签的分配。

Sep, 2023

多文档摘要是自动生成与同一主题相关的多个文档的简洁摘要的过程。本文提出了一个机器学习模型，从多个新闻文档中生成主题的简洁摘要，并设计成能够公正地从各个方面均等采样输入信息，即使大多数新闻来源倾向于一方。

Dec, 2023

利用 “翻译 - 检索 - 翻译” 策略引入推理通识知识，然后将其整合到多语言预训练语言模型中以预测政治极性，证明我们的框架不受所使用的模型的影响，并具有潜力为新闻从业者、社会科学家、新闻制作人员和消费者带来好处。

Dec, 2022

本文提出两种技术来使系统对文章不同部分的重要性敏感，一种是使用随机排序的句子进行预训练，一种是使用基于 ROUGE 的 Auxiliary Loss 来分散整个文档中的重要性得分，这些技术可以显着提高基于强化学习的抽取系统的性能。

Sep, 2019

本研究提出了一种基于神经框架的文本摘要方法，引入了多种子方面的函数（包括重要性、多样性和位置等），可以根据不同控制码来决定在生成文本摘要时关注哪个子方面，以减少位置偏向性并提供更多的用户偏好选择。

Apr, 2020

该文提出了一种名为 NAUS 的非自回归无监督摘要方法，使用基于编辑的搜索生成伪基准摘要，并在此基础上训练一个仅含编码器的非自回归 Transformer，通过动态规划方法进行长度控制解码，实现了在无监督摘要中取得最新的性能提升，同时提高了推理效率。

May, 2022

该研究提出了一种新的技术来减少新闻文章中的领导偏见，使自动文摘模型更加关注内容语义。实验表明此方法可以有效地减少模型学习到的领导偏见，在分布不均匀的数据上具有更好的泛化性能，而在分布均匀的数据上效果无损。

May, 2021