EMNLPNov, 2023

使用极性最小化损失缓解构架偏倚

PDF
TL;DR通过减少极化性输入文章间的极性差异，来降低造成政治极化的框架偏见，我们提出了一种新的损失函数，使模型能够在两个极性极端之间进行双向映射优化。实验证明，结合提出的极性损失函数的效果远优于基于 BART 的多文档摘要模型，尤其是在训练模型以最小化信息框架偏见（即选择性报道）的极性损失时。
framing biaspolitical polarizationmedia outletsloss functionmulti-document summarization
发现论文，激发创造
  • 新闻媒体偏见分析中的微妙框架弱监督学习

    本文提出了一种最小监督方法来识别具有微妙差别的新闻文章涵盖的政治争议话题的框架，将经典政策框架细分为能更好地捕捉政治意识形态差异的细粒度子框架，并评估该建议的子框架及其嵌入在移民，枪控和堕胎三个话题上的效果，展示了子框架捕捉意识形态差异的能力，以及分析新闻媒体中的政治话语。

    Sep, 2020

  • NeuS: 用于减轻框架偏差的中立多新闻摘要

    本文提出了一种从多个政治倾向变化的新闻文章中生成中性摘要的新任务，设计了有效的度量标准和模型（NeuS-TITLE）并通过标题到文章这种层次结构的方式来实现中性化。

    Apr, 2022

  • 使用属性感知词向量实现新闻文章的政治去极端化

    本文提出了一种基于多层次探测极性语言的词向量模型的文本去极性框架，用于检测和取代媒体报道中的极性语言，实现文本去极性。作者通过对 11 个话题的 99 个故事应用该方法，使用自动和半自动模式比较分析原始文本和去极性后的文本，并通过 161 个人类测试人员获得高反馈，证明了该方法在有效去极性的同时保留了原始文本的信息。

    Jan, 2021

  • 利用基于 Transformer 的多任务学习技术检测新闻报道中的媒体偏见

    本文提出了一种基于多任务深度学习训练的 Transformer 架构，使用六个与偏见相关的数据集来解决媒体偏见检测问题，取得了较好的效果。

    Nov, 2022

  • 通过上下文扰动和大型语言模型分析新闻报道中的情感极性削弱

    通过替换、插入和删除等三种扰动方法以及基于上下文的掩码语言模型，在保持核心语义的同时，最大程度地提高目标新闻方面的所需情感分数，并通过波束搜索算法降低情感极性，实现对情感操纵的类别纠正，从而提供更客观的新闻报道并抑制媒体情感语言偏见。

    Feb, 2024

  • 为增强多语言新闻头条政治极性预测而设计的通识语言无关学习框架

    利用 “翻译 - 检索 - 翻译” 策略引入推理通识知识，然后将其整合到多语言预训练语言模型中以预测政治极性，证明我们的框架不受所使用的模型的影响，并具有潜力为新闻从业者、社会科学家、新闻制作人员和消费者带来好处。

    Dec, 2022

  • 情感极性校准用于观点摘要

    通过引入极性校准概念，在传达文本信息的同时平衡波动偏向，我们的极性校准模型（PoCa）能够减轻输出摘要与输入文本之间的极性不匹配，并保持内容语义和语言质量。

    Apr, 2024

  • 新闻分析中的点点滴滴：媒体偏见与框架的跨学科调查

    新闻报道中的偏见表现和影响是社会科学的核心主题，近年来在自然语言处理领域受到了越来越多的关注。本研究综述了社会科学的方法，并将其与自然语言处理领域中用于分析媒体偏见的典型任务表述、方法和评估指标进行了对比。我们讨论了开放性问题，并提出了可能的研究方向，以填补理论与预测模型之间及其评估之间的差距。这些包括模型透明度、考虑文档外部信息以及跨文档推理而非单一标签的分配。

    Sep, 2023

  • 新闻报道的道德框架和意识形态偏见

    该研究论文描述了一种基于道德基础理论的无监督方法，用于在新闻报道中提取道德框架的偏见和强度，以量化新闻报道的偏见和党派性，并验证了该方法在 Twitter 数据集上的性能。

    Sep, 2020

  • 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