- HearHere: 基于人工智能的网页系统减轻新闻消费中的回音室现象
通过两个可视化工具,HearHere 为用户提供定量的政治立场信息,促进多视角的新闻信息消费。通过一项用户研究,我们展示了 HearHere 在支持来自各个角度的信息消费方面的可行性,并强调提供政治立场信息和量化用户的政治地位的重要性以减轻 - 建模社交媒体帖子的政治取向:一项扩展分析
通过使用新闻媒体偏见和帖子内容来标记社交媒体帖子的两种启发式方法,以及与随机抽取的人工标注数据集进行比较,我们展示了当前机器学习模型在预测社交媒体帖子的政治倾向方面的改进性能,采用传统的监督学习和少样本学习设置。
- EMNLP使用极性最小化损失缓解构架偏倚
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 - 社交媒体上的语言分歧演变
利用社交媒体数据,我们对美国党派的左右分歧进行语言分析,发现在话题、情感和词汇语义方面存在语言差异,并对可能导致语言分化的沟通问题提出警示。
- 人工智能聊天助手可以改善有分歧话题的对话
本研究利用大规模实验展示了如何用人工智能工具改善有争议话题的在线对话,从而提高参与者认为自己在会话中被理解的感受和对话的质量,减少政治分歧和恶意,而不改变对话内容或人们的政策态度。
- 使用语言模型理解政治极化:一个数据集与方法
通过使用语言模型分析美国政治体系中的政治极化,我们提供了对候选人立场的分析信息,以帮助选民了解其在经济、医疗保健、教育和其他社会问题上的观点,并进一步分析候选人的数据集和使用 “Longformer” 这样更强大的方式,找到每个候选人在其政 - 疫苗副作用是病毒还是政府引起的?:新冠病毒疫苗不良反应报道中的党派偏见
本研究发现保守派媒体相对自由派媒体报道更多与疫苗有关的意外事件,并揭示了在 COVID-19 疫苗舆论中存在的政治偏见。
- COLINGCommunityLM: 从语言模型中探究党派世界观
利用社区语言模型,研究政治言论语言化的分歧,通过观察群体在社交媒体中的表达,详细分析不同派别的观点,并且发现了相对于其他方法更高的对比度。
- ACLKCD:知识漫步和文本线索增强新闻媒体中的政治观点检测
本文提出一种名为 KCD 的方法,通过多跳知识推理和文本线索作为段落级标签来进行政治观点的检测,该方法可帮助打破信息封闭和政治极化,实验表明该方法在两个基准数据集上优于当前最先进的方法。
- 几何意见动态中的极化
本文研究政治极化问题,提出新型观点模型以模拟意见演变,进一步探究极化现象的成因,并探讨基于几何模型的强弱极化概念及其在马尔科夫链上的应用。
- AAAI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 - 在线平台上社会组织和政治极化的量化
通过神经嵌入技术对 Reddit 14 年间 5.1B 评论的社区结构进行了研究,发现在 2016 年美国总统选举后,Reddit 出现了明显的政治极化,尤其是右翼用户的活动量增加导致的。个体级的极化是罕见的,政治极化可以通过考察单个用户的 - ACL在社交媒体中分析极化趋势:以 21 起大规模枪击事件中的推文为例
本文提出了一种基于 NLP 的框架,通过分析话题选择、表达方式、情感和言语作用等四个维度来研究社交媒体中的政治极化。作者通过现有的词汇方法量化这些方面,并提出了利用聚类技术识别分析主题的方法。作者将这些方法应用于对 21 起大规模枪击事件中 - 极化人群的智慧
本研究分析了数百万次维基百科页面的编辑,探讨了政治多元性对团队的表现的影响,并发现在政治、社会问题和科学文章中,由政治多元化的编辑组成的极化团队创建的文章质量更高。
- KDD我不同意的一切都是 #FakeNews:政治极化与误信息传播的相关性
本文研究了政治极化与 Twitter 用户报道的 “fake news” 相关内容之间的关系,并发现极化增加与带有 fake news 关键词和标签的 URL 的用户数量提高,讨论了这些发现对于在打击假消息的持续斗争中跟踪 “fake ne - 在线政治参与媒体的网络极化的意识形态和时间要素
本文分析了瑞士政治活动的在线平台 politnetz.ch 中政治家的数字痕迹,并将网络极化定义为党内凝聚力与党间连接性的水平,揭示了支持层与政党倾向之间的强烈极化结构,同时分析了每个政党的内部社交网络,并发现它与其意识形态有关。此外,研究