paint-brush
Mitigar el sesgo de encuadre con pérdida de minimización de polaridad: resumen e introducciónpor@mediabias
731 lecturas
731 lecturas

Mitigar el sesgo de encuadre con pérdida de minimización de polaridad: resumen e introducción

Demasiado Largo; Para Leer

En este artículo, los investigadores abordan el sesgo de encuadre en los medios, un factor clave de la polarización política. Proponen una nueva función de pérdida para minimizar las diferencias de polaridad en los informes, reduciendo el sesgo de manera efectiva.
featured image - Mitigar el sesgo de encuadre con pérdida de minimización de polaridad: resumen e introducción
Tech Media Bias [Research Publication] HackerNoon profile picture
0-item

Este documento está disponible en arxiv bajo licencia CC BY-NC-SA 4.0 DEED.

Autores:

(1) Yejin Bang, Centro de Investigación en Inteligencia Artificial (CAiRE), Universidad de Ciencia y Tecnología de Hong Kong;

(2) Nayeon Lee, Centro de Investigación en Inteligencia Artificial (CAiRE), Universidad de Ciencia y Tecnología de Hong Kong;

(3) Pascale Fung, Centro de Investigación en Inteligencia Artificial (CAiRE), Universidad de Ciencia y Tecnología de Hong Kong.

Tabla de enlaces

Abstracto

El sesgo de encuadre desempeña un papel importante a la hora de exacerbar la polarización política al distorsionar la percepción de los acontecimientos reales. Los medios de comunicación con posturas políticas divergentes suelen utilizar un lenguaje polarizado al informar sobre el mismo evento. Proponemos una nueva función de pérdida que alienta al modelo a minimizar la diferencia de polaridad entre los artículos de entrada polarizados para reducir el sesgo de encuadre. Específicamente, nuestra pérdida está diseñada para optimizar conjuntamente el modelo para mapear los extremos de polaridad bidireccionalmente. Nuestros resultados experimentales demuestran que la incorporación de la pérdida de minimización de polaridad propuesta conduce a una reducción sustancial del sesgo de encuadre en comparación con un modelo de resumen de múltiples documentos basado en BART. En particular, encontramos que la efectividad de este enfoque es más pronunciada cuando el modelo está entrenado para minimizar la pérdida de polaridad asociada con el sesgo de encuadre informativo (es decir, selección sesgada de información para informar).

1. Introducción

El sesgo de encuadre se ha convertido en un problema generalizado en los medios modernos, que engaña la comprensión de lo que realmente sucedió a través de una selección sesgada de información y lenguaje (Entman, 2007, 2010; Gentzkow y Shapiro, 2006). El impacto más notable del sesgo de encuadre es la polaridad amplificada entre los partidos políticos en conflicto y los medios de comunicación. Mitigar el sesgo de encuadre es fundamental para promover la entrega de información precisa y objetiva.


Un paradigma de mitigación prometedor es generar una versión neutralizada de un artículo de noticias sintetizando múltiples opiniones a partir de artículos fuente sesgados (Sides, 2018; Lee et al., 2022). Para lograr una neutralización de noticias más efectiva, introducimos una pérdida de minimización de polaridad que aprovecha el sesgo inductivo que alienta al modelo a preferir la generación con una diferencia de polaridad minimizada. Nuestra pérdida propuesta entrena al modelo para que sea simultáneamente bueno en mapear artículos de un extremo del espectro de polaridad a otro extremo del espectro y viceversa, como se ilustra en la Fig. 1. Intuitivamente, el modelo se ve obligado a aprender y centrarse en el aspecto compartido. entre polaridades contrastantes de dos extremos opuestos.


Figura 1: Ilustración de entrenamiento e inferencia con la pérdida de minimización de polaridad propuesta para reducir el sesgo de encuadre.


En este trabajo, demostramos la efectividad de nuestra función de pérdida propuesta al minimizar la polaridad en diferentes dimensiones del sesgo de encuadre: léxico e informativo (Entman, 2002). La polarización léxica resulta de la elección de palabras con diferente valencia y excitación para explicar la misma información (por ejemplo, "protesta" frente a "disturbios"). La polarización informativa resulta de una selección diferente de información a cubrir, que a menudo incluye información innecesaria o no relacionada con el tema que se está tratando. Nuestra investigación sugiere que aprender las polaridades opuestas que son distintas en la dimensión informativa permite que el modelo adquiera una mejor capacidad para centrarse en puntos en común y minimizar los sesgos en los artículos de entrada polarizados. En última instancia, nuestra pérdida propuesta permite la eliminación de información que induce sesgos y la generación de opciones de lenguaje más neutrales.