paint-brush
Atténuer le biais de cadrage grâce à la perte de minimisation de polarité : résumé et introductionpar@mediabias
731 lectures
731 lectures

Atténuer le biais de cadrage grâce à la perte de minimisation de polarité : résumé et introduction

Trop long; Pour lire

Dans cet article, les chercheurs abordent les préjugés de cadrage dans les médias, un facteur clé de la polarisation politique. Ils proposent une nouvelle fonction de perte pour minimiser les différences de polarité dans les rapports, réduisant ainsi efficacement les biais.
featured image - Atténuer le biais de cadrage grâce à la perte de minimisation de polarité : résumé et introduction
Tech Media Bias [Research Publication] HackerNoon profile picture
0-item

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

Abstrait

Le biais de cadrage joue un rôle important dans l’exacerbation de la polarisation politique en déformant la perception des événements réels. Les médias aux positions politiques divergentes utilisent souvent un langage polarisé dans leurs reportages sur le même événement. Nous proposons une nouvelle fonction de perte qui encourage le modèle à minimiser la différence de polarité entre les articles d'entrée polarisés afin de réduire le biais de cadrage. Plus précisément, notre perte est conçue pour optimiser conjointement le modèle afin de cartographier les extrémités de polarité de manière bidirectionnelle. Nos résultats expérimentaux démontrent que l'intégration de la perte de minimisation de polarité proposée entraîne une réduction substantielle du biais de cadrage par rapport à un modèle de récapitulation multi-documents basé sur BART. Nous constatons notamment que l'efficacité de cette approche est plus prononcée lorsque le modèle est entraîné pour minimiser la perte de polarité associée au biais de cadrage informationnel (c'est-à-dire une sélection asymétrique des informations à rapporter).

1. Introduction

Le biais de cadrage est devenu un problème omniprésent dans les médias modernes, induisant en erreur la compréhension de ce qui s’est réellement passé via une sélection biaisée d’informations et de langage (Entman, 2007, 2010 ; Gentzkow et Shapiro, 2006). L’impact le plus notable du biais de cadrage est la polarité amplifiée entre les partis politiques et les médias en conflit. Il est essentiel d’atténuer les biais de cadrage pour promouvoir une diffusion précise et objective des informations.


Un paradigme d’atténuation prometteur consiste à générer une version neutralisée d’un article de presse en synthétisant plusieurs points de vue à partir d’articles sources biaisés (Sides, 2018 ; Lee et al., 2022). Pour parvenir plus efficacement à la neutralisation des informations, nous introduisons une perte de minimisation de polarité qui exploite un biais inductif qui encourage le modèle à préférer la génération avec une différence de polarité minimisée. Notre proposition de perte entraîne le modèle à être simultanément efficace pour cartographier les articles d'une extrémité du spectre de polarité à une autre extrémité du spectre et vice versa, comme illustré sur la figure 1. Intuitivement, le modèle est obligé d'apprendre et de se concentrer sur l'aspect partagé. entre des polarités contrastées de deux extrémités opposées.


Figure 1 : Illustration de la formation et de l'inférence avec la perte de minimisation de polarité proposée pour réduire le biais de cadrage.


Dans ce travail, nous démontrons l'efficacité de notre fonction de perte proposée en minimisant la polarité dans différentes dimensions du biais de cadrage – lexical et informationnel (Entman, 2002). La polarisation lexicale résulte du choix de mots de valence et d'excitation différentes pour expliquer la même information (par exemple, « protestation » contre « émeute »). La polarisation informationnelle résulte d’une sélection différente d’informations à couvrir, comprenant souvent des informations inutiles ou sans rapport avec le problème traité. Notre enquête suggère que l'apprentissage des polarités opposées qui sont distinctes dans la dimension informationnelle permet au modèle d'acquérir une meilleure capacité à se concentrer sur un terrain d'entente et à minimiser les biais dans les articles d'entrée polarisés. En fin de compte, la perte proposée permet la suppression des informations induisant des biais et la génération de choix linguistiques plus neutres.