পোলারিটি মিনিমাইজেশন লস সহ ফ্রেমিং বায়াস প্রশমিত করা: বিমূর্ত এবং ভূমিকা

লিঙ্কের টেবিল

• বিমূর্ত এবং ভূমিকা
• সম্পর্কিত কাজ
• এপ্রোচ
• পরীক্ষা-নিরীক্ষা
• উপসংহার
• সীমাবদ্ধতা, নীতিশাস্ত্রের বিবৃতি এবং রেফারেন্স
• A. পরীক্ষামূলক বিবরণ
• B. প্রজন্মের ফলাফল

বিমূর্ত

ফ্রেমিং পক্ষপাত প্রকৃত ঘটনাগুলির উপলব্ধি বিকৃত করে রাজনৈতিক মেরুকরণকে বাড়িয়ে তুলতে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। ভিন্ন ভিন্ন রাজনৈতিক অবস্থানের মিডিয়া আউটলেটগুলি প্রায়শই একই ঘটনার প্রতিবেদনে মেরুকৃত ভাষা ব্যবহার করে। আমরা একটি নতুন ক্ষতির ফাংশন প্রস্তাব করি যা মডেলটিকে পোলারাইজড ইনপুট নিবন্ধগুলির মধ্যে পোলারিটি পার্থক্য কমিয়ে ফ্রেমিং পক্ষপাত কমাতে উত্সাহিত করে৷ বিশেষভাবে, আমাদের ক্ষতিটি যৌথভাবে মডেলটিকে অপ্টিমাইজ করার জন্য ডিজাইন করা হয়েছে যাতে মেরুত্বের প্রান্ত দ্বিমুখীভাবে ম্যাপ করা যায়। আমাদের পরীক্ষামূলক ফলাফলগুলি দেখায় যে প্রস্তাবিত পোলারিটি মিনিমাইজেশন লস অন্তর্ভুক্ত করার ফলে একটি BART-ভিত্তিক মাল্টি-ডকুমেন্ট সারমাইজেশন মডেলের সাথে তুলনা করার সময় ফ্রেমিং বায়াস উল্লেখযোগ্যভাবে হ্রাস পায়। উল্লেখযোগ্যভাবে, আমরা দেখতে পাই যে এই পদ্ধতির কার্যকারিতা সবচেয়ে বেশি উচ্চারিত হয় যখন মডেলটিকে তথ্যগত ফ্রেমিং পক্ষপাতের সাথে যুক্ত পোলারিটি ক্ষতি কমানোর জন্য প্রশিক্ষণ দেওয়া হয় (অর্থাৎ, রিপোর্ট করার জন্য তথ্যের তির্যক নির্বাচন)।

1। পরিচিতি

ফ্রেমিং পক্ষপাতিত্ব আধুনিক মিডিয়াতে একটি ব্যাপক সমস্যা হয়ে দাঁড়িয়েছে, তথ্য এবং ভাষার একটি তির্যক নির্বাচনের মাধ্যমে প্রকৃতপক্ষে কী ঘটেছে তা বোঝার বিভ্রান্তি সৃষ্টি করে (Entman, 2007, 2010; Gentzkow and Shapiro, 2006)। পক্ষপাতিত্ব গঠনের সবচেয়ে উল্লেখযোগ্য প্রভাব হল বিবাদমান রাজনৈতিক দল এবং মিডিয়া আউটলেটগুলির মধ্যে প্রসারিত পোলারিটি। তথ্যের সঠিক এবং উদ্দেশ্যমূলক বিতরণ প্রচারের জন্য ফ্রেমিং পক্ষপাত কমানো গুরুত্বপূর্ণ।

একটি প্রতিশ্রুতিশীল প্রশমন দৃষ্টান্ত হল পক্ষপাতমূলক উত্স নিবন্ধগুলি থেকে একাধিক মতামত সংশ্লেষণ করে একটি সংবাদ নিবন্ধের একটি নিরপেক্ষ সংস্করণ তৈরি করা (পার্শ্ব, 2018; লি এট আল।, 2022)। আরও কার্যকরভাবে সংবাদ নিরপেক্ষতা অর্জনের জন্য, আমরা একটি পোলারিটি মিনিমাইজেশন লস প্রবর্তন করি যা ইন্ডাকটিভ পক্ষপাতের সুবিধা দেয় যা মডেলটিকে সর্বনিম্ন পোলারিটি পার্থক্য সহ প্রজন্মকে অগ্রাধিকার দিতে উত্সাহিত করে। আমাদের প্রস্তাবিত ক্ষতি মডেলটিকে পোলারিটি স্পেকট্রামের এক প্রান্ত থেকে স্পেকট্রামের অন্য প্রান্তে ম্যাপিং নিবন্ধগুলিতে একই সাথে ভাল হতে প্রশিক্ষণ দেয় এবং চিত্র 1-এ চিত্রিত হিসাবে এর বিপরীতে। দুটি বিপরীত প্রান্ত থেকে বিপরীত মেরুত্বের মধ্যে।

এই কাজে, আমরা ফ্রেমিং বায়াস - আভিধানিক এবং তথ্যগত (Entman, 2002) এর বিভিন্ন মাত্রায় পোলারিটি কমিয়ে আমাদের প্রস্তাবিত ক্ষতি ফাংশনের কার্যকারিতা প্রদর্শন করি। আভিধানিক মেরুকরণ একই তথ্য ব্যাখ্যা করার জন্য বিভিন্ন ভ্যালেন্স এবং উত্তেজনা সহ শব্দ চয়নের ফলাফল (যেমন, "বিক্ষোভ" বনাম "দাঙ্গা")। তথ্যগত মেরুকরণের ফলাফল কভার করার জন্য তথ্যের একটি ভিন্ন নির্বাচন থেকে, প্রায়ই কভার করা সমস্যা সম্পর্কিত অপ্রয়োজনীয় বা অসংলগ্ন তথ্য সহ। আমাদের তদন্ত পরামর্শ দেয় যে তথ্যগত মাত্রায় স্বতন্ত্র বিপরীত মেরুত্বগুলি শেখার ফলে মডেলটিকে সাধারণ স্থলে ফোকাস করার এবং মেরুকৃত ইনপুট নিবন্ধগুলিতে পক্ষপাত কমানোর আরও ভাল ক্ষমতা অর্জন করতে সক্ষম করে। শেষ পর্যন্ত, আমাদের প্রস্তাবিত ক্ষতি পক্ষপাত-প্ররোচিত তথ্য অপসারণ এবং আরও নিরপেক্ষ ভাষা পছন্দের প্রজন্মকে সক্ষম করে।