通过采用多重对应分析 (MCA) 测量及洞悉 2014 年至 2022 年间 1.8 百万份美国主要媒体新闻头条的语义差异，该研究发现美国国内政治和社会问题的媒体报道存在一定程度的媒体偏见，而外交报道的偏差主要来自个人的新闻风格多样性，而在经济问题的报道上，美国媒体呈现出一致性和高度相似性。

Mar, 2023

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

本研究通过实证测量方式对社交媒体和主流媒体的倾向性进行了对比，并基于美国国会议员的新闻报道对政治党派、地区等背景进行了测试，发现了新闻和博客媒体的不同特征，并提出了一种简单的生成模型来解释两者报道选择过程上的差异。

Nov, 2011

本研究设计了三个接口 —— 注释文章、重新组合文章和问题网格 —— 旨在帮助读者发现新闻报道的多样性，第一次可用性研究表明这些设计的接口都展现了报道的多样性，并确定了每个接口的潜在用例和受众，第二次可用性研究表明，相较于现有的两个接口，注释文章接口的用户能够更全面地回答问题，同时发现该接口易于使用。

Feb, 2023

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

本文比较了 Diversity Searcher 使用的两个数据源：DBpedia 和 Wikidata，讨论了这些数据源对文本分析结果的影响，描述了在设计数据分析和其背后的假设以及结果方面所需的许多决策和潜在影响。

Dec, 2022

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

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

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