paint-brush
পোলারিটি মিনিমাইজেশন লস সহ ফ্রেমিং বায়াস প্রশমিত করা: পরীক্ষা-নিরীক্ষাদ্বারা@mediabias
4,259 পড়া
4,259 পড়া

পোলারিটি মিনিমাইজেশন লস সহ ফ্রেমিং বায়াস প্রশমিত করা: পরীক্ষা-নিরীক্ষা

দ্বারা Tech Media Bias [Research Publication]2m2024/05/18
Read on Terminal Reader

অতিদীর্ঘ; পড়তে

এই গবেষণাপত্রে, গবেষকরা রাজনৈতিক মেরুকরণের একটি মূল চালক মিডিয়াতে পক্ষপাতিত্বের কথা বলেছেন। তারা প্রতিবেদনে পোলারিটি পার্থক্য কমিয়ে কার্যকরভাবে পক্ষপাত কমানোর জন্য একটি নতুন ক্ষতি ফাংশন প্রস্তাব করে।
featured image - পোলারিটি মিনিমাইজেশন লস সহ ফ্রেমিং বায়াস প্রশমিত করা: পরীক্ষা-নিরীক্ষা
Tech Media Bias [Research Publication] HackerNoon profile picture
0-item

এই কাগজটি CC BY-NC-SA 4.0 DEED লাইসেন্সের অধীনে arxiv-এ উপলব্ধ।

লেখক:

(1) ইয়েজিন ব্যাং, কৃত্রিম বুদ্ধিমত্তা গবেষণা কেন্দ্র (CAiRE), হংকং ইউনিভার্সিটি অফ সায়েন্স অ্যান্ড টেকনোলজি;

(2) নাইওন লি, সেন্টার ফর আর্টিফিশিয়াল ইন্টেলিজেন্স রিসার্চ (CAiRE), হংকং ইউনিভার্সিটি অফ সায়েন্স অ্যান্ড টেকনোলজি;

(3) Pascale Fung, সেন্টার ফর আর্টিফিশিয়াল ইন্টেলিজেন্স রিসার্চ (CAiRE), হংকং ইউনিভার্সিটি অফ সায়েন্স অ্যান্ড টেকনোলজি।

লিঙ্কের টেবিল

4. পরীক্ষা

4.1। সেটআপ


4.2। মডেল

বেসলাইন আমরা মাল্টি-নিউজ ডেটাসেট (Fabbri et al., 2019) (BARTMULTI (Lewis et al., 2019) এবং PEGASUSMULTI (Zhang et al., 2019a) তে প্রশিক্ষিত অফ-দ্য-শেল্ফ মাল্টি ডকুমেন্ট সামারাইজেশন (MDS) মডেলগুলির সাথে তুলনা করি। বেসলাইন হিসাবে। এই মডেলগুলি MDS-এ উচ্চ কার্যকারিতা অর্জন করেছে, যা পোলারাইজড নিবন্ধগুলির সংক্ষিপ্তসারেও প্রয়োগ করা যেতে পারে। যাইহোক, এই মডেলগুলির পক্ষপাত অপসারণ বা নিরপেক্ষ লেখার ফ্রেমিং সম্পর্কে কোন শিক্ষা নেই। এছাড়াও আমরা স্টেট-অফ-হার্ট মডেলের (BARTNEUSFT এবং BARTNEUSFT-T) (Lee et al., 2022) সাথে তুলনা করি যেগুলি ALLSIDES ডেটাসেটের সাথে সূক্ষ্মভাবে তৈরি। BARTNEUSFT শুধুমাত্র নিবন্ধগুলির সাথেই সূক্ষ্ম-সুরিত করা হয়েছে এদিকে BARTNEUSFT-T অতিরিক্তভাবে প্রতিটি নিবন্ধের শিরোনাম ব্যবহার করে। আমরা অতিরিক্ত PEGASUSNEUSFT রিপোর্ট করি। ফ্রেমিং বায়াস সম্পর্কে শেখার জন্য কেবল ফাইন-টিউনিং যথেষ্ট কার্যকর নাও হতে পারে। এইভাবে, আমরা প্রদর্শন করব কিভাবে বেসলাইন এবং SOTA মডেলের তুলনায় পোলারিটি মিনিমাইজেশন ক্ষতি কার্যকরভাবে ফ্রেমিং পক্ষপাত কমাতে পারে।





4.3। ফলাফল



চরম পোলারিটিগুলির সাথে কার্যকরী শিক্ষা আমরা তদন্ত করি যে চরম প্রান্তের (বাম, ডান) মধ্যে পোলারিটি ন্যূনতমকরণ একটি কেন্দ্র মিডিয়া আউটলেটের সাথে মিশ্রণের চেয়ে বেশি কার্যকর। এর কারণ হল বাম এবং ডানপন্থী মতাদর্শগুলি হল বিপরীত প্রান্ত যা কেন্দ্র মিডিয়া আউটলেটগুলির তুলনায় চরম প্রান্ত সম্পর্কে মডেলগুলিকে আরও কার্যকরভাবে প্রশিক্ষণ দিতে পারে যদিও কেন্দ্র মিডিয়া সম্পূর্ণরূপে পক্ষপাত মুক্ত নয়। গুণগত বিশ্লেষণের ফলাফল পরিমাণগত ব্যবস্থার সাথে সারিবদ্ধ। উদাহরণস্বরূপ, সারণি 2 এ চিত্রিত হিসাবে, পোলারটি মিনিমাইজড মডেল LR-INFO এবং LRC-AROUSAL উভয়ই পোলারাইজড ইনপুট নিবন্ধগুলির বাইরে প্রয়োজনীয় তথ্যের সাথে সংক্ষিপ্ত করতে পারে। বিশেষ করে LR-INFO, সর্বনিম্ন পক্ষপাতদুষ্ট মডেল, এটি এমনকি আরও নিরপেক্ষ শব্দ ব্যবহার করতে পারে (যেমন, Y টার্গেট করার জন্য "দাঙ্গা" এর পরিবর্তে "বিক্ষোভ"।


4.4। বিশ্লেষণ


সারণি 3: অ্যাবলেশন স্টাডি: LR-INFO মডেলের সাথে শুধুমাত্র একক-দিকনির্দেশক পোলারিটি মিনিমাইজেশন থাকার প্রভাব।