AAAIDec, 2022

如果你建造他们将会来”: 自动识别新闻利益相关者以检测新闻报道中的政党偏好

PDF
TL;DR通过利用上下文信息和外部知识辅助定位新闻文章中的特定利益相关者，同时应用了序列增量聚类算法进行实体聚类，本文解决了从新闻报道中提取利益相关者的一系列难题，并检测出其中的固有偏见。实验结果表明，该模型可推广至其他新闻主题。
stakeholder extractionnews reportingbias detectioncontextual informationincremental clustering
发现论文，激发创造
  • 从文本到背景：一种新闻利益相关者分类的蕴涵方法

    新闻利益相关者的类型分类方法，利用新闻文章的上下文信息和外部知识，将利益相关者识别问题转化为自然语言推理任务，在不同的新闻背景中展示出了高效性。

    May, 2024

  • 通过比较实体相关信息来源，实现新闻覆盖中选择偏差的语料库规模发现

    本篇论文探讨了如何建立可扩展 NLP 系统来直接从海量新闻语料库中发现媒体选择偏差模式的挑战，并针对新闻源的意识形态进行了实证研究，通过无监督的学习方法来捕捉新闻语料库中的媒体选择倾向，为未来的媒体选择偏差研究提供了启示。

    Apr, 2023

  • 启迪新闻消费者理解偏见新闻报道：关于媒体偏见感知和可视化的研究

    研究表明，媒体的政治偏见会影响受众的政治信仰及投票行为。通过三个手动注释的数据集及不同的可视化策略测试，结果表明手动注释偏见的可视化比框架可视化更有效。通过多层次模型，可以发现记者的偏见与文章的政治极端性和公正性有显著联系。

    May, 2021

  • 综合文章比较：从新闻媒体中检测党派活动

    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

  • 新闻文章中的政治偏见量化

    本文旨在建立一种自动模型，评估在线新闻文章的意识形态偏见，结果表明目前的自动模型能力不足以被用于自动注释文档，进而计算搜索结果中的偏见。

    Oct, 2022

  • 在不同粒度上分析新闻文章中的政治偏见和不公平性

    本研究利用一个新的、基于 6964 篇新闻文章的辅助指标标签的语料库，开发了一种神经模型对新闻文章中的政治偏见和不公平进行分析，并从单词到整篇文章的不同层次的文本粒度发现了深刻的偏见模式。

    Oct, 2020

  • 跨越空地：新闻报道中党派活动和对立派系事件的揭示

    通过对新闻媒体进行研究，我们揭示了其如何在报道中通过事件的包含或省略来影响公众意见，突出了新闻 subtly shapes opinion 的方式。

    Oct, 2023

  • 使用 Fine-Tuned BERT 和 LSTM 模型从 10-K 报告中找到利益相关者相关信息

    利用 BERT 模型和 RNN 模型对关键信息进行提取和识别，并通过使用标记的训练数据进行训练，取得了较高的准确度和 F1 分数，这对于现有的基准模型是一次显著改进。

    Aug, 2023

  • 通过诱导文档层次结构来解开结构和风格：新闻中政治偏见的检测

    本文提出了一种新的多头分层注意力模型，通过考虑句子层面的语义和文档层级的修辞结构，有效地编码长文档的结构，从而实现了对新闻文章政治倾向的更为健壮和风格无关的检测，并证明了该方法的优越性和准确性。

    Apr, 2023

  • 新闻文章政治意识形态检测的多视角模型

    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