使用搜索引擎查找信息以形成观点，搜索引擎的认知努力可能使偏见用户易受认知偏差的影响。本文通过对搜索结果进行分类和标签，并为其生成解释，研究表明标签和解释可促进多样化的搜索结果消费，但在此情境下未发现用户观点有系统变化的证据，这些结果有助于搜索引擎设计者做出更明智的设计决策。

Sep, 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

本研究提出了一种框架来量化搜索系统中源自不同来源的偏见，并将其应用于 Twitter 上与政治相关的查询，发现无论是输入数据还是排名系统都会显著地在搜索结果中产生不同程度和不同方式的偏见，并讨论了这些偏见的后果以及社交媒体搜索系统界面中信号偏见的可能机制。

Apr, 2017

本研究通过分析受访者在社交媒体上表达的态度与其公开问卷中的回应的区别，发现在进行态度检测时，存在时间不一致、不同建构和测量误差等问题，进一步为研究确定模型的局限性提供了一个框架，提供重要的见解。

Sep, 2021

对个人化的大型语言模型输出进行用户政治倾向性的引导，发现左倾用户更容易接收到对左派政界人物和媒体机构的正面评价，而右倾用户则更容易接收到对右派实体的正面评价。这种个人化模式会带来情感极化和过滤泡沫的风险。

Oct, 2023

本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

Aug, 2019

探讨了传统自然语言处理方法中的绝对偏见分类目标是否可取，并尝试提供了一种基于相对偏见分析的模型。作者以争论中的立场偏见为案例进行众包实验，证明有较弱的人工干预的情况下可以感知文本之间的相对偏见区别。

Oct, 2022

这篇研究论文指出语言偏见在搜索引擎和自然语言处理中的存在，并探讨了其在社会和文化层面上的重要性和影响，并提出可能的解决方案。

Mar, 2023

本文研究从立场相似度和立场多样性两个方面对 COVID-19 相关的三个争议性话题进行分析，考察了 BART 和 ChatGPT 两种语言模型对于文本中多样化观点的覆盖能力和相似立场的关系。实验结果显示，观点相似度较高并不代表着能充分呈现文本中观点的多样性。

Jun, 2023

利用大型语言模型（LLM）驱动的对话式搜索系统已经被数亿人使用，并被认为相较于传统搜索带来许多优势。然而，尽管几十年的研究和公众讨论揭示了搜索系统在增加选择性暴露和形成回声室方面的风险 —— 限制了对多样观点的接触，导致意见极化，对于 LLM 驱动的对话式搜索的这种风险了解甚少。我们进行了两个实验来调查：1）LLM 驱动的对话式搜索是否以及如何增加选择性暴露，相较于传统搜索；2）持有与用户观点一致或挑战用户观点的偏见的 LLM 是否会改变这种影响。总体而言，我们发现参与者在使用 LLM 驱动的对话式搜索时更容易查询偏见信息，而偏见强化的 LLM 则加剧了这种偏见。这些结果对 LLM 和对话式搜索系统的发展以及管理这些技术的政策具有重要的影响。

Feb, 2024