研究发现，通过使用多种信息模式（包括文章和图像派生特征）对新闻框架进行预测可以提高准确性，特别是当图像与标题的框架相关时。这也表明框架图像相关性与通过图像传递框架的便利程度相关。此外，作者还发布了美国枪支暴力相关的第一个多模式新闻框架数据集，供传播研究人员进一步研究多种信息模式在媒体框架研究中的应用。

Jun, 2024

介绍了一种基于主题建模和深度学习的系统，用于分析和分类文本文档中的框架，该系统提供了预训练的框架分类模型以及适用于用户提供的语料库的新型分类模型的易于使用的流水线，旨在使研究人员能够获得文档的框架

Aug, 2020

本文通过对欧洲五个国家的 No-Vax 运动相关文章的标题进行人工标记及使用 GPT-3.5 的微调和提示工程来推断新闻标题的框架，以研究该主题。研究结果为新闻分类等任务的可行性和 GPT-3.5 模型是否能够复制人的感知能力做出贡献。

Apr, 2023

使用半监督模型和自编码框架，学习嵌入新闻文章中事件和相关人物的本地信息，并利用这个信号进行框架分类。实验结果显示，该模型表现优于以前的框架预测模型，并可以通过使用半监督模型的未标记训练数据进一步提高性能，并且所学的事件和角色嵌入直观上与文档级预测相符，提供一种细致和可解释的文章框架表示。

Apr, 2021

通过新闻数据，探索使用特定故事提取和表示方法（故事地图）捕捉其框架信息的能力，结果表明，虽然该算法捕捉了框架的分布，但在不同开始和结束事件中实现一致的框架存在挑战，同时强调了故事地图揭示新闻故事中错综复杂的框架动态的潜力，但直接利用框架信息进行计算故事提取仍然是一个未解决的挑战。

May, 2024

开发了一种媒体帧分类器，对从 2000 年到 2017 年发表的 150 万篇《纽约时报》文章进行系统分析，揭示了短期帧丰富度波动与主要事件的密切对应关系，以及包括 “文化认同” 帧逐渐普及等几个长期趋势。通过研究特定主题和情感，识别了每个帧的特征和动态，最后以群体枪击为例，揭示了三种主要的框架模式。这种可扩展的计算方法开辟了系统媒体框架研究的新途径。

May, 2020

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

本研究探索了通过众包进行数据集创建的可能性，利用非专家注释员开发训练语料库，扩展了多语种的媒体框架分析并提供了孟加拉语和葡萄牙语的新基准数据集，展示出在众包数据集的基础上与其他现有数据集相结合，从而使基线提高 5.32 个百分点，并发现任务特定的精调是比使用更大的非专业模型更好的方法。

Apr, 2024

通过建立自由文本维度的误解反应框架来更准确地了解读者对新闻标题的认知反应，提出 MRF 数据集并使用神经网络学习进行分类预测，证明通过向读者展示机器生成的 MRF 反应可以提高他们对真实新闻的信任。

Apr, 2021

本研究旨在重新评估传播科学中的框架概念，将其与故事中重要实体的叙事框架相结合，提出自动检测多标签测定的框架，并在新闻机构的气候变化框架案例研究中应用传统的监督和半监督学习技术，最终在透明的预测中呈现了一种新的基于检索的既有效又透明的方法。

Jun, 2023