Sep, 2023

预测模型的定量分析：以在线政治偏见为视角

HTML
PDF
TL;DR本文提出了一个启发式方法来将社交媒体帖子分类为五个不同的政治倾向类别，通过在Twitter和Gab这两个具有不同政治意识形态的社交媒体数据集上利用现有时间序列预测模型，我们的工作旨在为预测社交媒体平台中的政治偏见的挑战和机会提供启示，最终要为在数字领域减轻政治偏见的负面影响开发更有效的策略铺平道路。
发现论文，激发创造
  • 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

  • 无监督深度学习对社交媒体上政治倾向的精细预测

    本文提出了一种新颖的无监督技术，可以从社交媒体文章的文本内容中学习微观的政治倾向，并在两项有挑战性的分类任务中实现了最佳结果。

    Feb, 2022

  • 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

  • 社会偏见媒体表示准确度的评估：没有完美的单词嵌入模型

    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

  • 从预训练数据到语言模型到下游任务：跟踪导致不公正NLP模型的政治偏见

    本研究旨在测量大型语言模型中社会和经济偏见的媒体偏见，以及在预训练数据中表现出政治（社会，经济）偏见的先验模型对高风险社会导向任务的公平性的影响。结果发现先验模型确实存在政治倾向，这可能加剧原始数据中的偏见并将其传播到误导检测器之类的下游模型中，本研究讨论了这些发现对NLP研究的影响，并提出了减轻不公平的未来方向。

    May, 2023

  • 学习无偏见的新闻文章表征：一种融合知识的方法

    利用可靠的外部数据资源学习新闻文章的公正表示，提出了一种知识注入的深度学习模型，旨在预测新闻文章的政治倾向，解决了现有学习模型在模型训练中受到新闻发布者的政治偏见影响的问题，从而消除了算法政治偏见，并在准确性方面优于基线方法，可达到73%的准确率。

    Sep, 2023

  • 建模社交媒体帖子的政治取向：一项扩展分析

    通过使用新闻媒体偏见和帖子内容来标记社交媒体帖子的两种启发式方法，以及与随机抽取的人工标注数据集进行比较，我们展示了当前机器学习模型在预测社交媒体帖子的政治倾向方面的改进性能，采用传统的监督学习和少样本学习设置。

    Nov, 2023

  • 社交媒体领域中的交织偏见：揭示媒体偏见维度之间的关联

    本研究针对以往孤立研究媒体偏见维度（如政治偏见、种族偏见）造成的知识空白，提出了一种新方法，构建了一个包含多种偏见维度的YouTube和Reddit数据集。研究发现，偏见表达模式及其相关性显著不同，进而为开发可以同时检测多重偏见的先进系统奠定了基础，推动了更公平的媒体消费和伦理新闻实践。

    Aug, 2024

  • 映射媒体环境：通过网络互动预测事实报道和政治偏见

    本研究解决了新闻源偏见评估中的一项重要问题，即如何基于长期网络互动来评估和分类媒体的事实报道和政治偏见。提出了一种扩展的新闻媒体可靠性估计方法，通过对四种强化学习策略在大型新闻媒体超链接图上的分类性能进行评估，显示出显著的提升。此外，研究结果表明，通过时间推移分析媒体链接互动，能够有效描绘演变中的媒体环境。

    Oct, 2024

  • 平衡透明度与准确性：基于规则与深度学习模型在政治偏见分类中的比较分析

    本研究解决了在自动检测媒体政治偏见方面缺乏有效性的问题，通过比较基于规则和深度学习的两种方法，提出了一种新的视角。研究发现，基于规则的模型在不同数据条件下表现出一致性和更高的透明度，而深度学习模型则依赖于训练集，对未见数据的处理能力较弱，这为政治偏见分类提供了新的理解和应用潜力。

    Nov, 2024