Abschwächung des Framing Bias durch Polaritätsminimierungsverlust: Experimente

Linktabelle

• Zusammenfassung und Einleitung
• Ähnliche Projekte
• Ansatz
• Experimente
• Abschluss
• Einschränkungen, Ethikerklärung und Referenzen
• A. Experimentelle Einzelheiten
• B. Ergebnisse der Generation

4. Experimente

4.1. Einrichtung

4.2. Modelle

Basislinien Wir vergleichen mit handelsüblichen Multidocument-Zusammenfassungsmodellen (MDS), die mit Multi-News-Datensätzen (Fabbri et al., 2019) trainiert wurden (BARTMULTI (Lewis et al., 2019) und PEGASUSMULTI (Zhang et al., 2019a)) als Basislinien. Diese Modelle haben eine hohe Leistung in MDS erzielt, die auch zum Zusammenfassen polarisierter Artikel angewendet werden kann. Diese Modelle verfügen jedoch über keine Lernfähigkeit zur Beseitigung von Framing-Bias oder neutralem Schreiben. Wir vergleichen auch mit den modernsten Modellen (BARTNEUSFT und BARTNEUSFT-T) (Lee et al., 2022), die mit dem ALLSIDES-Datensatz feinabgestimmt sind. BARTNEUSFT wird nur mit Artikeln feinabgestimmt, während BARTNEUSFT-T zusätzlich die Titel jedes Artikels nutzt. Wir berichten zusätzlich über PEGASUSNEUSFT. Eine einfache Feinabstimmung ist möglicherweise nicht effektiv genug, um etwas über Framing-Bias zu lernen. Daher werden wir zeigen, wie der Verlust durch Polaritätsminimierung den Framing-Bias im Vergleich zu Basis- und SOTA-Modellen wirksam verringern kann.

4.3. Ergebnisse

Effektives Lernen mit extremen Polaritäten Wir untersuchen, dass die Minimierung der Polarität zwischen den extremen Enden (links, rechts) effektiver ist als die Mischung mit einem zentralen Medienunternehmen. Das liegt daran, dass linke und rechte Ideologien die entgegengesetzten Enden sind, die Modelle effektiver über extreme Enden trainieren können als über zentrale Medienunternehmen, obwohl die zentralen Medien nicht völlig voreingenommen sind. Die Ergebnisse der qualitativen Analyse stimmen mit den quantitativen Messungen überein. Wie beispielsweise in Tabelle 2 dargestellt, konnten die polaritätsminimierten Modelle LR-INFO und LRC-AROUSAL beide die wesentlichen Informationen aus polarisierten Eingangsartikeln zusammenfassen. Insbesondere LR-INFO, das am wenigsten voreingenommene Modell, konnte sogar eine neutralere Wortwahl verwenden (z. B. „Proteste“ statt „Unruhen“, dasselbe wie Ziel Y).

4.4. Analyse