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   Zusammenfassung und Einleitung   Ähnliche Projekte   Ansatz   Experimente   Abschluss   Einschränkungen, Ethikerklärung und Referenzen   A. Experimentelle Einzelheiten   B. Ergebnisse der Generation  6.1. Einschränkungen  Die Studie ist durch ihre Einhaltung des englischbasierten Aufgabenaufbaus des Benchmarks begrenzt. Die Analyse ist auf politische Ideologien in den Vereinigten Staaten und der englischen Sprache beschränkt. Darüber hinaus begrenzt das Eingabelimit des BART-Modells von 1024 Subtoken die Anzahl voreingenommener Quellartikel, die als Eingabe einbezogen werden können. Es ist wichtig anzumerken, dass diese Einschränkungen, obwohl sie möglicherweise den Umfang der Ergebnisse der Studie beeinflussen, in der Forschung zur Verarbeitung natürlicher Sprache nicht ungewöhnlich sind. Dennoch könnte zukünftige Forschung von der Beseitigung dieser Einschränkungen profitieren, indem alternative Methoden für ein breiteres Spektrum politischer Ideologien (nicht-amerikanische politische Ideologien) und Sprachen untersucht werden und längere Eingabetexte einbezogen werden, um ein umfassenderes Spektrum an Quellartikeln zu erfassen.  6.2. Ethikerklärung  Das Problem voreingenommener Artikel mit Framing wurde ausführlich untersucht, da es zu einer Polarisierung führen kann, indem es die Meinung der Leser gegenüber einer bestimmten Person, Gruppe oder einem bestimmten Thema beeinflusst. Um dieses Problem anzugehen, konzentriert sich unsere Forschung auf die Einführung einer Verlustfunktion, die integriert werden kann, um es dem Modell zu ermöglichen, Framing-Voreingenommenheit in der generierten Zusammenfassung zu reduzieren.  Es ist jedoch wichtig zu erkennen, dass automatische Technologien auch unbeabsichtigte negative Folgen haben können, wenn sie nicht unter sorgfältiger Berücksichtigung ihrer umfassenderen Auswirkungen entwickelt werden. Beispielsweise können Modelle des maschinellen Lernens eine Verzerrung in ihre Ergebnisse einbringen, indem sie bekannte Quellenverzerrungen durch eine andere Form der Verzerrung ersetzen (Lee et al., 2022). Um dieses Risiko zu mindern, haben Lee et al. (2022) vorgeschlagen, neben automatisch generierten neutralen Zusammenfassungen auch explizite Erwähnungen der Quellenartikel aufzunehmen. Während unsere Arbeit darauf abzielt, Framing-Verzerrungen in von Menschen generierten Artikeln zu beseitigen, besteht außerdem die Möglichkeit von Halluzinationen bei der Generierung, was ein bekanntes Problem generativer Modelle ist (Ji et al., 2023). Daher ist es wichtig, eine Leitplanke anzubringen (z. B. eine Bereitstellung einer Quellenangabe), wenn eine solche automatische Technologie für tatsächliche Anwendungsfälle implementiert wird.  Trotz dieser Herausforderungen kann unsere Forschung dazu beitragen, den vom Menschen erzeugten Framing-Bias zu mildern und so die Polarisierung in der Gesellschaft zu verringern. Ein Anwendungsfall kann darin bestehen, menschliche Experten dabei zu unterstützen, Artikel mit mehreren Ansichten ohne Framing-Bias bereitzustellen. Im Hinblick auf eine breitere gesellschaftliche Wirkung hoffen wir, dass unsere Arbeit Online-Benutzern helfen kann, online auf mehr entpolarisierte Informationen zuzugreifen.  6.3. Referenzen  2021. Mitte – was bedeutet eine „Mitte“-Medienvoreingenommenheitsbewertung?  Ramy Baly, Giovanni Da San Martino, James Glass und Preslav Nakov. 2020. Wir können Ihre Voreingenommenheit erkennen: Vorhersage der politischen Ideologie von Nachrichtenartikeln. In Proceedings der 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), Seiten 4982–4991, Online. Association for Computational Linguistics.  Adriana Beratšová, Kristína Krchová, Nikola Gažová und Michal Jirásek. 2016. Framing und Voreingenommenheit: eine Literaturübersicht über aktuelle Erkenntnisse. Mitteleuropäische Zeitschrift für Management, 3(2).  Dennis Chong und James N Druckman. 2007. Framing theory. Annu. Rev. Polit. Sci., 10:103–126.  Robert M Entman. 2002. Framing: Zur Klärung eines gebrochenen Paradigmas. McQuail's Reader in Mass Communication Theory. London, Kalifornien und Neu-Delhi: Sage.  Robert M Entman. 2007. Framing Bias: Medien und Machtverteilung. Journal of Communication, 57(1):163–173.  Robert M Entman. 2010. Medien-Framing-Bias und politische Macht: Erklärung der Tendenz in Nachrichten über den Wahlkampf 2008. Journalism, 11(4):389–408.  Alexander R Fabbri, Irene Li, Tianwei She, Suyi Li und Dragomir R Radev. 2019. Multi-News: Ein umfangreicher Datensatz zur Zusammenfassung mehrerer Dokumente und ein abstrahierendes hierarchisches Modell. arXiv-Preprint arXiv:1906.01749  Lisa Fan, Marshall White, Eva Sharma, Ruisi Su, Prafulla Kumar Choubey, Ruihong Huang und Lu Wang. 2019. In aller Deutlichkeit: Medienvoreingenommenheit durch die Linse der sachlichen Berichterstattung. arXiv-Vorabdruck arXiv:1909.02670.  Matthew Gentzkow und Jesse M Shapiro. 2006. Medienvoreingenommenheit und Reputation. Journal of political Economy, 114(2):280–316.  Matthew Gentzkow, Jesse M Shapiro und Daniel F Stone. 2015. Medienvoreingenommenheit auf dem Markt: Theorie. In Handbook of media economics, Band 1, Seiten 623–645. Elsevier.  Erving Goffman. 1974. Rahmenanalyse: Ein Essay über die Organisation von Erfahrungen. Harvard University Press  Felix Hamborg, Karsten Donnay und Bela Gipp. 2019. Automatisierte Erkennung von Medienverzerrungen in Nachrichtenartikeln: eine interdisziplinäre Literaturübersicht. International Journal on Digital Libraries, 20(4):391–415.  Felix Hamborg, Norman Meuschke und Bela Gipp. 2017. Matrixbasierte Nachrichtenaggregation: Erkundung unterschiedlicher Nachrichtenperspektiven. In 2017 ACM/IEEE Joint Conference on Digital Libraries (JCDL), Seiten 1–10. IEEE.  Ziwei Ji, Nayeon Lee, Rita Frieske, Tiezheng Yu, Dan Su, Yan Xu, Etsuko Ishii, Ye Jin Bang, Andrea Madotto und Pascale Fung. 2023. Untersuchung von Halluzinationen bei der Generierung natürlicher Sprache. ACM Comput. Surv., 55(12).  Daniel Kahneman und Amos Tversky. 2013. Prospekttheorie: Eine Analyse von Entscheidungen unter Risiko. In Handbook of the fundamentals of financial decision making: Part I, Seiten 99–127. World Scientific.  Philippe Laban und Marti A Hearst. 2017. newslens: Aufbau und Visualisierung von Nachrichten mit großer Reichweite. In Proceedings of the Events and Stories in the News Workshop, Seiten 1–9.  Nayeon Lee, Yejin Bang, Tiezheng Yu, Andrea Madotto und Pascale Fung. 2022. NeuS: Neutrale Zusammenfassung mehrerer Nachrichten zur Minderung von Framing-Bias. In Proceedings der Konferenz 2022 des nordamerikanischen Kapitels der Association for Computational Linguistics: Human Language Technologies, Seiten 3131–3148, Seattle, USA. Association for Computational Linguistics.  Mike Lewis, Yinhan Liu, Naman Goyal, Marjan Ghazvininejad, Abdelrahman Mohamed, Omer Levy, Ves Stoyanov und Luke Zettlemoyer. 2019. Bart: Rauschunterdrückung durch Sequenz-zu-Sequenz-Vortraining für die Generierung, Übersetzung und das Verständnis natürlicher Sprache. arXiv-Vorabdruck arXiv:1910.13461.  Yujian Liu, Xinliang Frederick Zhang, David Wegsman, Nicholas Beauchamp und Lu Wang. 2022. POLITIK: Vortraining mit Vergleich gleichartiger Artikel zur Vorhersage von Ideologien und Erkennung von Standpunkten. In Findings of the Association for Computational Linguistics: NAACL 2022, Seiten 1354–1374, Seattle, USA. Association for Computational Linguistics.  Saif Mohammad. 2018. Erlangung zuverlässiger menschlicher Bewertungen von Valenz, Erregung und Dominanz für 20.000 englische Wörter. In Proceedings der 56. Jahrestagung der Association for Computational Linguistics (Band 1: Lange Beiträge), Seiten 174–184.  Fred Morstatter, Liang Wu, Uraz Yavanoglu, Stephen R Corman und Huan Liu. 2018. Framing-Bias in Online-Nachrichten erkennen. ACM Transactions on Social Computing, 1(2):1–18.  Kishore Papineni, Salim Roukos, Todd Ward und WeiJing Zhu. 2002. Bleu: eine Methode zur automatischen Auswertung maschineller Übersetzungen. In Proceedings der 40. Jahrestagung der Association for Computational Linguistics, Seiten 311–318.  Souneil Park, Seungwoo Kang, Sangyoung Chung und Junehwa Song. 2009. Newscube: Bereitstellung mehrerer Aspekte von Nachrichten zur Minderung der Medienvoreingenommenheit. In Proceedings der SIGCHI-Konferenz über menschliche Faktoren in Computersystemen, Seiten 443–452.  Dietram A Scheufele. 2000. Agenda-setting, priming, and framing revisited: Ein weiterer Blick auf die kognitiven Effekte politischer Kommunikation. Mass communication & society, 3(2-3):297–316.  All Sides. 2018. Medienbias-Bewertungen. Allsides.com.  Timo Spinde, Christina Kreuter, Wolfgang Gaissmaier, Felix Hamborg, Bela Gipp und Helge Giese. 2021. Glauben Sie, dass es voreingenommen ist? Wie man nach der Wahrnehmung von Medienvoreingenommenheit fragt. In 2021 ACM/IEEE Joint Conference on Digital Libraries (JCDL), Seiten 61–69. IEEE.  Esther van den Berg und Katja Markert. 2020. Kontext bei der Erkennung von Informationsverzerrungen. In Proceedings der 28. Internationalen Konferenz für Computerlinguistik, Seiten 6315–6326, Barcelona, Spanien (Online). Internationales Komitee für Computerlinguistik.  George Wright und Paul Goodwin. 2002. Beseitigung eines Framing-Bias durch einfache Anweisungen zum „Intensivieren des Nachdenkens“ und Befragte mit Führungserfahrung: Kommentar zu „Breaking the Frame“. Strategic Management Journal, 23(11):1059–1067.  Jingqing Zhang, Yao Zhao, Mohammad Saleh und Peter J. Liu. 2019a. Pegasus: Vortraining mit extrahierten Lückensätzen für abstrakte Zusammenfassung.  Tianyi Zhang*, Varsha Kishore*, Felix Wu*, Kilian Q. Weinberger und Yoav Artzi. 2020. Bertscore: Textgenerierung mit Bert auswerten. In der International Conference on Learning Representations.  Yifan Zhang, Giovanni Da San Martino, Alberto BarrónCedeno, Salvatore Romeo, Jisun An, Haewoon Kwak, Todor Staykovski, Israa Jaradat, Georgi Karadzhov, Ramy Baly, et al. 2019b. Tanbih: Erfahren Sie, was Sie lesen. EMNLP-IJCNLP 2019, Seite 223.

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

MediaBias.TECH

We publish deeply researched (and often vastly underread) academic papers about our collective omnipresent media bias.

MediaBias's

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Boost your HackerNoon story @ $159.99! 🚀

Abmilderung des Framing Bias durch Polarity Minimization Loss: Einschränkungen, Ethikerklärung und Referenzen

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps