paint-brush
Abmilderung des Framing Bias durch Polarity Minimization Loss: Zusammenfassung und Einführungvon@mediabias
720 Lesungen
720 Lesungen

Abmilderung des Framing Bias durch Polarity Minimization Loss: Zusammenfassung und Einführung

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 - Abmilderung des Framing Bias durch Polarity Minimization Loss: Zusammenfassung und Einführung
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

Abstrakt

Framing-Bias spielt eine bedeutende Rolle bei der Verschärfung der politischen Polarisierung, indem es die Wahrnehmung tatsächlicher Ereignisse verzerrt. Medien mit unterschiedlichen politischen Standpunkten verwenden in ihrer Berichterstattung über dasselbe Ereignis häufig polarisierte Sprache. Wir schlagen eine neue Verlustfunktion vor, die das Modell dazu anregt, den Polaritätsunterschied zwischen den polarisierten Eingangsartikeln zu minimieren, um Framing-Bias zu reduzieren. Konkret ist unser Verlust darauf ausgelegt, das Modell gemeinsam zu optimieren, um Polaritätsenden bidirektional abzubilden. Unsere experimentellen Ergebnisse zeigen, dass die Einbeziehung des vorgeschlagenen Polaritätsminimierungsverlusts zu einer erheblichen Reduzierung des Framing-Bias im Vergleich zu einem BART-basierten Modell zur Zusammenfassung mehrerer Dokumente führt. Insbesondere stellen wir fest, dass die Wirksamkeit dieses Ansatzes am ausgeprägtesten ist, wenn das Modell darauf trainiert wird, den Polaritätsverlust zu minimieren, der mit dem informativen Framing-Bias (d. h. einer verzerrten Auswahl der zu berichtenden Informationen) verbunden ist.

1. Einleitung

Framing Bias ist in modernen Medien zu einem weit verbreiteten Problem geworden. Durch eine verzerrte Auswahl von Informationen und Sprache wird das Verständnis dessen, was wirklich passiert ist, verfälscht (Entman, 2007, 2010; Gentzkow und Shapiro, 2006). Die auffälligste Auswirkung von Framing Bias ist die verstärkte Polarität zwischen miteinander in Konflikt stehenden politischen Parteien und Medien. Die Eindämmung von Framing Bias ist entscheidend, um eine genaue und objektive Informationsübermittlung zu fördern.


Ein vielversprechendes Abschwächungsparadigma besteht darin, eine neutralisierte Version eines Nachrichtenartikels zu generieren, indem mehrere Ansichten aus voreingenommenen Quellartikeln synthetisiert werden (Sides, 2018; Lee et al., 2022). Um eine Nachrichtenneutralisierung effektiver zu erreichen, führen wir einen Polaritätsminimierungsverlust ein, der eine induktive Voreingenommenheit nutzt, die das Modell dazu veranlasst, die Generierung mit minimiertem Polaritätsunterschied zu bevorzugen. Unser vorgeschlagener Verlust trainiert das Modell, gleichzeitig gut darin zu sein, Artikel von einem Ende des Polaritätsspektrums zum anderen Ende des Spektrums und umgekehrt abzubilden, wie in Abb. 1 dargestellt. Intuitiv ist das Modell gezwungen, den gemeinsamen Aspekt zwischen kontrastierenden Polaritäten von zwei entgegengesetzten Enden zu lernen und sich darauf zu konzentrieren.


Abbildung 1: Darstellung des Trainings und der Inferenz mit dem vorgeschlagenen Polaritätsminimierungsverlust zur Reduzierung des Framing-Bias.


In dieser Arbeit demonstrieren wir die Wirksamkeit unserer vorgeschlagenen Verlustfunktion, indem wir die Polarität in verschiedenen Dimensionen der Framing-Verzerrung – lexikalisch und informativ – minimieren (Entman, 2002). Die lexikalische Polarisierung resultiert aus der Wahl von Wörtern mit unterschiedlicher Valenz und Erregung, um dieselben Informationen zu erklären (z. B. „Protest“ vs. „Aufruhr“). Die informative Polarisierung resultiert aus einer unterschiedlichen Auswahl der abzudeckenden Informationen, die oft unnötige oder nicht verwandte Informationen zum behandelten Thema enthält. Unsere Untersuchung legt nahe, dass das Erlernen der entgegengesetzten Polaritäten, die in der informativen Dimension deutlich sind, es dem Modell ermöglicht, sich besser auf Gemeinsamkeiten zu konzentrieren und Verzerrungen in den polarisierten Eingabeartikeln zu minimieren. Letztendlich ermöglicht unser vorgeschlagener Verlust die Entfernung voreingenommener Informationen und die Generierung neutralerer Sprachentscheidungen.