Nov, 2022

利用基于 Transformer 的多任务学习技术检测新闻报道中的媒体偏见

PDF
TL;DR本文提出了一种基于多任务深度学习训练的 Transformer 架构，使用六个与偏见相关的数据集来解决媒体偏见检测问题，取得了较好的效果。
media biasword choicetransformer-based deep learningmulti-task learningslanted reporting
发现论文，激发创造
  • 新闻上的语言偏见检测的领域自适应预训练方法

    本文针对媒体偏见的重要形式 —— 用词偏见展开研究。提出了一种基于 DA-RoBERTa 模型的领域自适应方法，实现在句子级别上对有偏见的用词进行检测。同时，训练了 DA-BERT 和 DA-BART 两种基于转换器的模型，并证明了这些模型在相同数据上优于以前的偏见检测方法。

    May, 2022

  • 媒体偏见分类：关于媒体偏见形式和自动检测的系统文献综述

    媒体偏见检测是一个活跃的研究领域，基于计算方法和机器学习的分类方法让我们能够更准确地检测和分类各种类型的媒体偏见，然而，现有项目存在学科间的缺乏交叉和对多种媒体偏见类型的认识，未来的研究应该集成最新的机器学习进展和来自其他研究领域的可靠和多样化的偏见评估策略。

    Dec, 2023

  • 新闻中的目标感知背景政治偏见检测

    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

  • 使用预训练的神经转换器进行新闻偏见检测的实验

    比较几种大型的预训练语言模型在句级新闻偏见检测和子类型分类任务上的性能，并提供了定量和定性结果。

    Jun, 2024

  • 我们可以探测到你的偏见：预测新闻文章的政治意识形态

    本文探讨新闻文章中的政治意识形态或偏见的预测任务，提出了一个具有挑战性的实验设置并收集了大量的数据集，在建模方面使用了敌对媒体适应和三元组损失等策略，并在文章级别上加入了源背景信息，实验结果表明这种方法在这种具有挑战性的情况下比使用先进的预先训练转换器有相当大的改进。

    Oct, 2020

  • 利用高斯偏差分布检测新闻文章中的媒体偏见

    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

  • 使用 BABE 远程监督进行神经媒体偏见检测 -- 专家标注偏见

    本论文介绍 BABE 数据集，该数据集由专家标注，在标注质量和协议一致性方面比现有研究有了更好的表现。基于该数据集，使用 BERT 模型进行监督学习，可以自动检测新闻文章中引入偏见的句子。最终实验结果表明，该方法优于现有方法，在该数据集上的宏 F1 值为 0.804。

    Sep, 2022

  • 解锁偏差检测：利用基于 Transformer 模型的内容分析

    通过联合使用 Context Transformer 和 Entity Transformer，我们提出了一种新的 Contextualized Bi-Directional Dual Transformer（CBDT）分类器，用于检测文本中的偏见。实验结果表明，CBDT 分类器在准确分类有偏见和无偏见的句子以及识别具体有偏见词语和短语方面具有优势。与基准模型相比，我们获得了约 2-4% 的性能提升。未来的研究可以将该模型扩展到不同的语言和文化背景。

    Sep, 2023

  • MBIB - 首个媒体偏见识别基准任务和数据集合集

    本研究介绍了 Media Bias Identification Benchmark（MBIB），这是一个包含不同类型媒体偏见的综合性基准，使用最新的 Transformer 技术对其进行了评估，结果表明，虽然仇恨言论、种族偏见和性别偏见更容易检测，但模型却无法处理某些偏见类型，同时该基准还发现了研究兴趣和资源分配的不均衡现象，鼓励开发更强大的系统来解决多个媒体偏见类型问题。

    Apr, 2023

  • 提高多模态假新闻检测的泛化能力

    本文提出了三种基于多模态 transformer 的假新闻检测模型，并通过深入分析操纵数据的方法来探索这些模型在社交媒体上实际使用情况下的性能。研究发现，这些系统在面临被操纵的数据时会出现显著性能下降。为了减少偏差并改善模型的推广能力，本文建议使用数据增强技术对社交媒体上的假新闻检测进行更有意义的实验。所提出的数据增强技术使得模型的泛化能力得到了提高，并获得了最先进的效果。

    May, 2023