paint-brush
Milderung des Framing Bias durch Polaritätsminimierungsverlust: Experimentelle Detailsvon@mediabias
623 Lesungen
623 Lesungen

Milderung des Framing Bias durch Polaritätsminimierungsverlust: Experimentelle Details

Zu lang; Lesen

In diesem Artikel beschäftigen sich Forscher mit Framing-Bias in den Medien, einem Hauptfaktor für politische Polarisierung. Sie schlagen eine neue Verlustfunktion vor, um Polaritätsunterschiede in der Berichterstattung zu minimieren und so Bias effektiv zu reduzieren.
featured image - Milderung des Framing Bias durch Polaritätsminimierungsverlust: Experimentelle Details
Media Bias [Deeply Researched Academic Papers] HackerNoon profile picture
0-item

Dieses Dokument ist auf arxiv unter der Lizenz CC BY-NC-SA 4.0 DEED verfügbar.

Autoren:

(1) Yejin Bang, Zentrum für künstliche Intelligenzforschung (CAiRE), Hong Kong University of Science and Technology;

(2) Nayeon Lee, Zentrum für künstliche Intelligenzforschung (CAiRE), Hong Kong University of Science and Technology;

(3) Pascale Fung, Zentrum für künstliche Intelligenzforschung (CAiRE), Hong Kong University of Science and Technology.

Linktabelle

A. Experimentelle Einzelheiten


BERTSCORE-F1 Zur Bewertung wichtiger Informationen haben wir die auf Token-Embedding basierende Metrik BERTSCORE-F1 übernommen. Als hochmodernen Kontrollpunkt haben wir die vorab trainierte Version „microsoft/deberta-xlarge-mnli“ von (Zhang* et al., 2020) verwendet.

A.1 Bewertung durch den Menschen


Wir haben die Bewertung mit 30 zufällig ausgewählten Stichproben durchgeführt. Wir stellen zwei Artikel aus den beiden Modellen (in zufälliger Reihenfolge) zusammen mit dem Themensatz bereit, der beschreibt, worum es in den Artikeln geht. Anschließend wird der Kommentator gebeten, die Frage „Welcher Artikel ist voreingenommener?“ zu beantworten, und zwar nach Spinde et al. (2021); Lee et al. (2022). Wir erhalten drei Anmerkungen für jede Stichprobe und wählen die Mehrheitsabstimmung aus. Da viele der Teststichproben eng mit der US-Politik verbunden sind, haben wir drei Nicht -US-Bürger/Staatsangehörige/Einwohner rekrutiert, um jegliche politische Voreingenommenheit oder persönliche Präferenz bei der Bewertung zu minimieren. Alle drei Kommentatoren gaben an, politisch gemäßigt zu sein, und sind qualifiziert, die Bewertung auf Englisch durchzuführen (sie haben alle ihre Hochschulausbildung auf Englisch erhalten).


Um zu überprüfen, dass die Auswahl derjenigen in den Paaren, die voreingenommen sind, nicht zufällig ist, wird nach Erhalt der Auswertungsergebnisse ein Binomialtest durchgeführt. Die Nullhypothese lautete: „Die Auswahl der aus LR-INFO (unsere vorgeschlagene Methode) generierten Artikel, die weniger voreingenommen sind, ist zufällig.“ Dann erhielten wir einen p-Wert von 0,019, der die Nullhypothese widerlegte (p < 0,05). Daher ist die Auswahl der aus LR-INFO generierten Artikel, die weniger voreingenommen sind, nicht zufällig.


Wenn das Modell mit Polaritätsminimierungsverlust trainiert wird, kann es lernen, verzerrungsfördernde Informationen zu entfernen, während BARTNEUSFT-T darunter leidet. Wie in Tabelle 4 dargestellt, konnte unser Modell LR-INFO die verzerrungsfördernde Information „Trump wird voraussichtlich die Einwanderungspolitik von Präsident Joe Biden angreifen“ aus der Zusammenfassung zum Thema „Trump spricht auf der CPAC“ entfernen, während BARTNEUSFTT dies nicht konnte.


Tabelle 4: Beispiel einer menschlichen Bewertung.



Tabelle 5: Experimentelle Ergebnisse für unsere Modelle mit vorgeschlagenem Polaritätsminimierungsverlust, LR-VALENCE, LRAROUSAL, LR-INFO, LRC-AROUSAL, LRC-INFO, mit unterschiedlichen Gewichten (λ). Für die Framing-Bias-Metrik ist die niedrigere Zahl die bessere (↓). Für andere Werte ist die höhere Zahl die bessere (↑). Die Ergebnisse unserer Modelle mit Polaritätsminimierungsverlust (die mit + gekennzeichnet sind) werden mit dem besten λ angegeben. Eine vollständige Untersuchung von λ finden Sie im Anhang und in Abb. 2