ध्रुवीयता न्यूनीकरण हानि के साथ फ़्रेमिंग पूर्वाग्रह को कम करना: प्रयोग

लिंक की तालिका

• सार और परिचय
• संबंधित कार्य
• दृष्टिकोण
• प्रयोगों
• निष्कर्ष
• सीमाएँ, नैतिकता कथन और संदर्भ
• ए. प्रायोगिक विवरण
• बी. पीढ़ी परिणाम

4. प्रयोग

4.1. सेटअप

4.2. मॉडल

आधार रेखाएं हम आधार रेखाओं के रूप में मल्टी-न्यूज डेटासेट (फैब्री एट अल., 2019) (BARTMULTI (लुईस एट अल., 2019) और PEGASUSMULTI (झांग एट अल., 2019a)) पर प्रशिक्षित ऑफ-द-शेल्फ मल्टीडॉक्यूमेंट सारांश (MDS) मॉडल के साथ तुलना करते हैं। उन मॉडलों ने MDS में उच्च प्रदर्शन हासिल किया है, जिसे ध्रुवीकृत लेखों को सारांशित करने में भी लागू किया जा सकता है। हालांकि, इन मॉडलों में फ्रेमिंग पूर्वाग्रह हटाने या तटस्थ लेखन के बारे में कोई सीख नहीं है। हम अत्याधुनिक मॉडल (BARTNEUSFT और BARTNEUSFT-T) (ली एट अल., 2022) के साथ भी तुलना करते हैं जो ALLSIDES डेटासेट के साथ ठीक-ठाक हैं। BARTNEUSFT को केवल लेखों के साथ ठीक-ठाक किया गया है फ़्रेमिंग पूर्वाग्रह के बारे में जानने के लिए केवल फ़ाइन-ट्यूनिंग ही पर्याप्त प्रभावी नहीं हो सकती है। इसलिए, हम यह प्रदर्शित करेंगे कि कैसे पोलरिटी मिनिमाइज़ेशन लॉस बेसलाइन और SOTA मॉडल की तुलना में फ़्रेमिंग पूर्वाग्रह को प्रभावी ढंग से कम कर सकता है।

4.3. परिणाम

चरम ध्रुवों के साथ प्रभावी शिक्षण हम जांच करते हैं कि चरम छोरों (बाएं, दाएं) के बीच ध्रुवीयता को कम करना केंद्र मीडिया आउटलेट के साथ मिश्रण की तुलना में अधिक प्रभावी है। ऐसा इसलिए है क्योंकि वामपंथी और दक्षिणपंथी विचारधाराएं विपरीत छोर हैं जो केंद्र मीडिया आउटलेट की तुलना में चरम छोरों के बारे में मॉडल को अधिक प्रभावी ढंग से प्रशिक्षित कर सकती हैं, हालांकि केंद्र मीडिया पूरी तरह से पूर्वाग्रह से मुक्त नहीं है। गुणात्मक विश्लेषण के परिणाम मात्रात्मक उपायों के साथ संरेखित होते हैं। उदाहरण के लिए, जैसा कि तालिका 2 में दर्शाया गया है, ध्रुवीयता को कम करने वाले मॉडल LR-INFO और LRC-AROUSAL दोनों ही ध्रुवीकृत इनपुट लेखों से आवश्यक जानकारी के साथ सारांशित कर सकते हैं। विशेष रूप से LR-INFO, सबसे कम पक्षपाती मॉडल, यह शब्द का अधिक तटस्थ विकल्प भी इस्तेमाल कर सकता है (उदाहरण के लिए, "दंगों" के बजाय "विरोध प्रदर्शन" लक्ष्य Y के समान)।

4.4. विश्लेषण