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

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

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

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

本文介绍了使用基于意识形态的预训练目标的预训练语言模型进行意识形态预测的新方法，并介绍了一个大规模数据集 POLITICS，该数据集包含超过 3.6M 篇政治新闻文章，并展示该模型在意识形态预测和立场检测任务上的性能优越性。

May, 2022

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

本研究提出了一种多任务序数回归框架，其中包含了几个辅助任务，旨在联合模拟新闻媒体的可信度和政治意识形态。研究结果表明，相对于针对单个问题进行建模的模型，联合模型可以获得更好的性能提升。

Apr, 2019

本文提出了一种基于推文训练的两步分类方案，用于检测长文本中的政治偏见。该方案包括通过推特数据训练中性检测器，用于去除文章中的中性句子以实现意见集中，并提高了文章的预测准确性。

Sep, 2019