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  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.   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.

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: Zusammenfassung und Einführung

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps