通过框架理论检测错误信息:基于框架元素的模型
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
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
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
本研究通过零 - shot、少 - shot 和可解释性提示方法,考察了 GPT-3.5 Turbo、GPT-4 和 Flan-T5 模型在检测新闻标题中的框架偏见方面的性能,并强调可解释性设置对社会科学研究中框架偏见的重要性。
Feb, 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
我们研究了在线媒体对健康相关话题的框架,特别是在阴谋理论和主流媒体中的不同框架。我们采用了一种基于语义图的新颖框架提取方法,发现阴谋媒体中的健康相关叙述主要以信念为框架,而主流媒体则倾向于以科学为框架。我们希望我们的工作为更细致的框架分析提供新的方法。
Jan, 2024
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