極性最小化損失によるフレーミングバイアスの緩和: 概要と概要

リンク一覧

• 概要と序文
• 関連作業
• アプローチ
• 実験
• 結論
• 制限事項、倫理声明および参考文献
• A. 実験の詳細
• B. 生成結果

抽象的な

フレーミングバイアスは、実際の出来事の認識を歪めることで、政治的二極化を悪化させる重要な役割を果たしています。異なる政治的立場を持つメディアは、同じ出来事を報道する際に、しばしば二極化した言語を使用します。私たちは、フレーミングバイアスを減らすために、モデルが二極化した入力記事間の極性の違いを最小限に抑えるように促す新しい損失関数を提案します。具体的には、私たちの損失は、極性の端を双方向にマッピングするようにモデルを共同で最適化するように設計されています。私たちの実験結果は、提案された極性最小化損失を組み込むと、BARTベースの複数文書要約モデルと比較して、フレーミングバイアスが大幅に削減されることを示しています。特に、このアプローチの有効性は、情報フレーミングバイアス（つまり、報告する情報の偏った選択）に関連する極性損失を最小限に抑えるようにモデルをトレーニングした場合に最も顕著であることがわかりました。

1. はじめに

フレーミング バイアスは現代のメディアに蔓延する問題となっており、情報と言語の偏った選択によって、実際に何が起こったのかの理解を誤らせています (Entman、2007、2010 年、Gentzkow と Shapiro、2006 年)。フレーミング バイアスの最も顕著な影響は、対立する政党とメディア間の両極化が増幅されることです。フレーミング バイアスを軽減することは、正確で客観的な情報提供を促進するために不可欠です。

有望な緩和パラダイムの 1 つは、偏ったソース記事から複数のビューを合成して、ニュース記事の中立化されたバージョンを生成することです (Sides、2018 年、Lee ら、2022 年)。ニュースの中立化をより効果的に達成するために、極性の差が最小化された生成をモデルが優先するように促す誘導バイアスを活用する極性最小化損失を導入します。提案された損失は、図 1 に示すように、記事を極性スペクトルの一方の端からもう一方の端に、およびその逆にマッピングすることが同時に得意になるようにモデルをトレーニングします。直感的に、モデルは 2 つの反対の端からの対照的な極性間の共通の側面を学習して焦点を当てることを余儀なくされます。

この研究では、語彙と情報のフレーミング バイアスの異なる次元における極性を最小限に抑えることで、提案する損失関数の有効性を実証します (Entman、2002)。語彙の極性化は、同じ情報を説明するために異なる価と覚醒度を持つ単語を選択することで発生します (例: 「抗議」と「暴動」)。情報の極性化は、カバーする情報の選択が異なることで発生します。これには、カバーする問題に関連する不必要な情報や無関係な情報が含まれることがよくあります。調査の結果、情報次元で明確に区別される反対の極性を学習することで、モデルが共通点に焦点を当てる能力を高め、極性化された入力記事のバイアスを最小限に抑えることができることが示唆されています。最終的に、提案された損失により、バイアスを誘発する情報を削除し、より中立的な言語選択を生成できます。