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

本研究分析近十年来 CNN 和福克斯新闻的关闭字幕及 Twitter 上语篇信息，探讨语言表述在电视和社交媒体之间的关系，研究结果表明不同播出平台的语义极化现象与趋势出现了较大的差异，尤其是 2016 年之后，两个频道的讨论话题在语义上的差异越来越显著，这种语言上的分化在很大程度上塑造了 Twitter 上的语义互动。

Jan, 2023

新闻文章中的多样性测量对于多个原因至关重要，包括防止信息茧房和加强公共话语，尤其是在选举之前。本文提出了一个基于多样性维度的新闻文章多样性测量框架，并提供了一个以 2021 年德国联邦选举前后两周内收集的超过 900 个新闻媒体的 26,000 多个独特标题组成的谷歌头条新闻数据集。研究结果表明，对于更一般的搜索词（如 “选举”）具有较高的多样性，而一系列其他相关搜索词（如 “教育”、“欧洲”、“气候保护”、“政府”）在三个维度中有高多样性，反映出对于更具未来导向的主题有更主观、专注的讨论。

Aug, 2023

使用数据驱动方法研究新闻媒体如何处理具有争议性的问题，发现在处理这类问题时通常会出现负面情绪和有偏见的用词，而强烈的情感则会被遏制，同时不同的新闻媒体在处理争议性问题方面存在许多差异。通过这些研究发现，可以比较不同媒体对待争议话题的方式，从而粗略地指示该问题的争议程度。

Sep, 2014

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

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

本文提出了基于引用模式的框架来量化和表征媒体偏见程度，采用低秩空间编码偏见模式分析政治媒体覆盖结构，揭示了潜在的媒体偏见空间，展示了不同类型的媒体机构在报道相同事件时呈现不同的现实。

Apr, 2015

通过分析 500k 篇美国在线新闻文章中存在的社会偏见类型，使用考虑了嵌入表示问题的多种算法以及 WEAT，比较了这些算法在新闻文章中训练的模型所表示的期望社会偏见，结果发现标准偏差检测方法与心理学知识并不一致，而新提出的算法虽然减轻了这种差距，但仍然无法完全匹配这些文献。

Nov, 2022

利用 COMET 推理模型和新闻标题的情感，通过采集和标记新闻标题的元数据来检测新闻传播中的文化、经济、政治、语言和地理障碍，并将提取到的语义知识和情感作为特征，相对于传统文本分类方法和深度学习可获得更好的表现（对于文化、经济、政治和地理的十个类别的平均 F1 - 分数分别从 0.41、0.39、0.59 和 0.59 提高至 0.47、0.55、0.70 和 0.76）。

Apr, 2023

本文采取人工辅助机器学习框架，针对具有代表性的 3 个主流媒体倾向组（左，中，右）在 2014 年至今发布的 2.2 万份手动标记和 180 万份机器标记的新闻标题进行了超党派新闻标题检测的数据集开发，并在外部验证集上取得了 0.84 的准确度和 0.78 的 F1 得分；针对新闻标题中的党派性进行了计算分析，发现右翼媒体倾向于使用比例更高的超党派标题；通过逻辑回归模型和 Shapley 值确定了几个主题，并应用基于词库的语言分析工具对每个主题的标题进行了分析，发现左派、中派和右派媒体在外交、政治和社会问题方面的语言差异逐渐减小。

Jan, 2023