극성 최소화 손실로 프레이밍 편향 완화: 요약 및 소개

링크 표

• 초록 및 소개
• 관련된 일
• 접근하다
• 실험
• 결론
• 제한 사항, 윤리 선언문 및 참고 자료
• A. 실험 세부사항
• 나. 생성 결과

추상적인

프레이밍 편향은 실제 사건에 대한 인식을 왜곡해 정치적 양극화를 악화시키는 데 중요한 역할을 한다. 서로 다른 정치적 입장을 갖고 있는 언론 매체는 동일한 사건을 보도할 때 양극화된 언어를 사용하는 경우가 많습니다. 우리는 프레이밍 편향을 줄이기 위해 모델이 편광된 입력 항목 간의 극성 차이를 최소화하도록 장려하는 새로운 손실 함수를 제안합니다. 특히 우리의 손실은 극성 끝을 양방향으로 매핑하기 위해 모델을 공동으로 최적화하도록 설계되었습니다. 우리의 실험 결과는 제안된 극성 최소화 손실을 통합하면 BART 기반 다중 문서 요약 모델과 비교할 때 프레이밍 편향이 크게 감소한다는 것을 보여줍니다. 특히, 우리는 이 접근법의 효과가 정보 프레이밍 편향(즉, 보고할 정보의 왜곡된 선택)과 관련된 극성 손실을 최소화하도록 모델을 훈련할 때 가장 두드러진다는 것을 발견했습니다.

1. 소개

프레이밍 편향은 현대 미디어에서 만연한 문제가 되었으며, 정보와 언어의 왜곡된 선택을 통해 실제로 무슨 일이 일어났는지에 대한 이해를 오해하게 만듭니다(Entman, 2007, 2010; Gentzkow 및 Shapiro, 2006). 프레이밍 편향의 가장 눈에 띄는 영향은 충돌하는 정당과 언론 매체 간의 극성이 증폭된다는 것입니다. 프레임 편향을 완화하는 것은 정보의 정확하고 객관적인 전달을 촉진하는 데 중요합니다.

유망한 완화 패러다임 중 하나는 편향된 원본 기사의 여러 견해를 종합하여 뉴스 기사의 중립화된 버전을 생성하는 것입니다(Sides, 2018; Lee et al., 2022). 뉴스 중립화를 보다 효과적으로 달성하기 위해 모델이 극성 차이가 최소화된 생성을 선호하도록 장려하는 귀납적 바이어스를 활용하는 극성 최소화 손실을 도입합니다. 우리가 제안한 손실은 그림 1에 설명된 것처럼 극성 스펙트럼의 한쪽 끝에서 스펙트럼의 다른 쪽 끝으로 또는 그 반대로 항목을 매핑하는 데 동시에 능숙하도록 모델을 훈련합니다. 직관적으로 모델은 공유된 측면을 학습하고 집중해야 합니다. 두 개의 반대쪽 끝에서 대조되는 극성 사이.

이 작업에서 우리는 다양한 차원의 프레이밍 편향(어휘 및 정보)에서 극성을 최소화하여 제안된 손실 함수의 효율성을 입증합니다(Entman, 2002). 어휘 양극화는 동일한 정보를 설명하기 위해 서로 다른 원자가와 자극을 갖는 단어를 선택함으로써 발생합니다(예: "항의" 대 "폭동"). 정보 양극화는 다루는 정보의 선택이 다르기 때문에 발생하며, 다루는 문제와 관련하여 불필요하거나 관련 없는 정보가 포함되는 경우가 많습니다. 우리의 조사에 따르면 정보 차원에서 구별되는 반대 극성을 학습하면 모델이 공통 기반에 초점을 맞추고 양극화된 입력 기사의 편견을 최소화하는 더 나은 능력을 얻을 수 있습니다. 궁극적으로 우리가 제안한 손실을 통해 편견을 유발하는 정보를 제거하고 보다 중립적인 언어 선택을 생성할 수 있습니다.