Feb, 2024

理解科学发现报告中的细粒度畸变

PDF
TL;DR失真的科学传播对个人和社会造成危害，可能导致不健康的行为转变并减少对科学机构的信任。本研究通过对科学文献与新闻报道和推特中相应发现的配对进行细粒度的研究，为自动检测原始工作失真的方法提供了基础贡献，并分析了这些特征的变化在人工注释和大规模无标记数据中的普遍性。结果显示科学发现在报道时经常会发生微妙的失真，其中推特比科学新闻报道更容易扭曲发现。自动检测细粒度失真是一项具有挑战性的任务，实验结果表明，经过精细调整的任务特定模型始终优于少量样本的语言模型提示。
发现论文，激发创造
  • 大型语言模型能否检测科学新闻报道中的错误信息？

    使用大型语言模型检测科学报道中的虚假信息，针对缺乏明确标签的情况，提出了多种基于大型语言模型的基准架构和提示方法，包括零样本、少样本和连贯思维提示等。

    Feb, 2024

  • 预测新闻媒体报道的真实性和偏见

    本文旨在研究预测新闻媒体报道的真实性和偏见。通过大量的新闻网站以及一些从文章、维基百科页面、推特账户、网址结构和流量信息中得出的特征，实验表明本方法相比基线有较显著的性能提升，且各特征类型都至关重要。

    Oct, 2018

  • 启迪新闻消费者理解偏见新闻报道：关于媒体偏见感知和可视化的研究

    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

  • 在不同粒度上分析新闻文章中的政治偏见和不公平性

    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

  • 为虚假新闻检测进行细粒度推理

    通过模拟人的信息处理模型、引入人类知识、设计先验感知的双通道核心图网络来检测假新闻，取得了比现有方法更好的效果和可解释性。

    Sep, 2021

  • 新闻文章中的宣传细致分析

    本文提出了一个新的任务：在文本中检测包含宣传技巧及其类型的所有片段，解决了以往检测宣传文本时金标准误差及解释难题。我们手动标注了 18 种宣传技巧的新闻文章片段集，并进行了适当的评估。此外，我们设计了一个多粒度神经网络，表现优于几个强的 BERT-based 基线。

    Oct, 2019

  • 信息串联中的信息扭曲

    通过对医学研究论文中信息传播的模拟与研究，发现迭代式摘要具有虚假扭曲的负面影响，而在迭代摘要过程中产生高质量摘要可以减少信息失真。此外，该研究还发现提取式摘要比生成式摘要更少受语义失真的影响。

    Feb, 2019

  • 文本摘要中可解释的自动细粒度不一致性检测

    研究提出了 fine-grained inconsistency detection 任务，用于检测文本摘要中的细粒度事实错误类型。通过提出的 FineGrainFact 方法，结合语义帧和语义角色标记来实现明确的事实表示、错误预测和总结改正。结果表明，该模型表现优于强基线模型，为摘要提供了支持或反驳的证据。

    May, 2023

  • 利用高斯偏差分布检测新闻文章中的媒体偏见

    通过研究基于高斯混合模型的概率分布，发现频率和位置对于文章层面的媒体偏见检测至关重要，其次是其精确的时序，相较于只依赖于低水平词汇信息分布的特征和神经文本分类方法。

    Oct, 2020

  • SciTweets-- 用于检测科学在线话语的数据集和注释框架

    本研究使用一个标注框架和对不同形式科学相关性的定义，对推文中的科学相关信息进行标注，通过训练多标签分类器检测科学相关性，并成功检测出不同范畴的科学知识（声明、参考文献）进行分析。

    Jun, 2022