Cet article est disponible sur arxiv sous licence CC BY-NC-SA 4.0 DEED.   Auteurs:  (1) Yejin Bang, Centre de recherche sur l'intelligence artificielle (CAiRE), Université des sciences et technologies de Hong Kong ;  (2) Nayeon Lee, Centre de recherche sur l'intelligence artificielle (CAiRE), Université des sciences et technologies de Hong Kong ;  (3) Pascale Fung, Centre de recherche sur l'intelligence artificielle (CAiRE), Université des sciences et technologies de Hong Kong.  Tableau des liens   Résumé et introduction   Travaux connexes   Approche   Expériences   Conclusion   Limites, déclaration d'éthique et références   A. Détails expérimentaux   B. Résultats de génération  2. Travaux connexes    Le biais de cadrage est un phénomène bien documenté dans le domaine des études sur les médias (Wright et Goodwin, 2002 ; Entman, 2002, 2010, 2007 ; Gentzkow et Shapiro, 2006 ; Gentzkow et al., 2015 ; Beratšová et al., 2016). ). Selon Gentzkow et Shapiro (2006), le biais de cadrage se produit lorsque les journalistes et les médias mettent l’accent de manière sélective sur certains aspects d’une histoire tout en minimisant ou en ignorant d’autres (information) avec une utilisation biaisée des langues (lexicale). Cela peut entraîner une perception déformée des événements au sein du public, en particulier dans les cas où le cadrage est conçu pour servir un agenda ou une idéologie particulière (Kahneman et Tversky, 2013 ; Goffman, 1974). L’impact du biais de cadrage est particulièrement évident dans l’arène politique, où les médias et les partis politiques s’engagent souvent dans un discours polarisant conçu pour plaire à leurs bases respectives (Scheufele, 2000 ; Chong et Druckman, 2007). Le biais de cadrage    Pour atténuer cela, divers efforts automatiques d'atténuation des biais médiatiques ont été déployés (Fan et al., 2019 ; Hamborg et al., 2019 ; Morstatter et al., 2018 ; Laban et Hearst, 2017 ; Hamborg et al., 2017. ; Zhang et al., 2019b ; van den Berg et Markert, 2020 ; Un domaine de travail similaire est la prédiction d’idéologie (Liu et al., 2022) (s’ils sont orientés à gauche, à droite ou au centre) ou la prédiction de position (Baly et al., 2020) – qui est la détection de polarité. D’autre part, notre travail se concentre sur la génération d’un article neuronal à partir d’articles polarisés. Étant donné que le biais de cadrage est souvent très subtil, Morstatter et al. (2018) apprend le modèle de biais de cadrage dans une phrase et tente de le détecter automatiquement. Une autre tentative d'atténuation courante consiste à afficher plusieurs points de vue de manière automatique (Hamborg et al., 2017 ; Park et al., 2009). Lee et coll. (2022) ont franchi une étape supplémentaire en créant un résumé des articles polarisés afin de fournir automatiquement plusieurs perspectives dans un seul résumé. Notre travail s'aligne sur la vision des travaux précédents, mais nous nous concentrons sur la manière plus générale d'atténuer le biais de cadrage en étudiant la perte de minimisation de polarité. Efforts d'atténuation automatiques

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

Cet audio est produit dans la langue originale de l'histoire !

Atténuation du biais de cadrage grâce à la perte de minimisation de polarité : travaux connexes

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps