Este artigo está disponível no arxiv sob licença CC BY-NC-SA 4.0 DEED.   Autores:  (1) Yejin Bang, Centro de Pesquisa em Inteligência Artificial (CAiRE), Universidade de Ciência e Tecnologia de Hong Kong;  (2) Nayeon Lee, Centro de Pesquisa em Inteligência Artificial (CAiRE), Universidade de Ciência e Tecnologia de Hong Kong;  (3) Pascale Fung, Centro de Pesquisa em Inteligência Artificial (CAiRE), Universidade de Ciência e Tecnologia de Hong Kong.  Tabela de links   Resumo e introdução   Trabalho relatado   Abordagem   Experimentos   Conclusão   Limitações, Declaração de Ética e Referências   A. Detalhes Experimentais   B. Resultados de Geração  A. Detalhes Experimentais   BERTSCORE-F1 Para avaliar informações importantes, adotamos a métrica BERTSCORE-F1 baseada em incorporação de token. Usamos a versão pré-treinada 'microsoft/deberta-xlarge-mnli' fornecida por (Zhang* et al., 2020) como ponto de verificação de última geração.  A.1 Avaliação Humana   Realizamos a avaliação com 30 amostras selecionadas aleatoriamente. Fornecemos dois artigos dos dois modelos (em ordem aleatória) junto com a frase temática que descreve o assunto dos artigos. Em seguida, o anotador é solicitado a responder à pergunta “Qual artigo é mais tendencioso?”, seguindo Spinde et al. (2021); Lee et al. (2022). Obtemos três anotações para cada amostra e selecionamos a votação majoritária. Como muitas das amostras de teste estão intimamente relacionadas com a política dos EUA, recrutamos três cidadãos/nacionais/residentes   americanos para minimizar qualquer preconceito político ou preferência pessoal envolvida na avaliação. Todos os três anotadores afirmaram-se moderados em termos de tendências políticas e estão qualificados para realizar a avaliação em inglês (todos receberam o ensino superior em inglês). não  Para verificar se a seleção de qual deles é tendencioso nos pares não é aleatória, é realizado um teste binomial após a obtenção dos resultados da avaliação. A hipótese nula foi “A seleção de artigos gerados a partir do LR-INFO (nosso método proposto) para serem menos tendenciosos é aleatória”. Obteve-se então um valor de p de 0,019, que rejeitou a hipótese nula (p < 0,05). Portanto, a seleção dos artigos gerados a partir do LR-INFO para serem menos tendenciosos não é aleatória.  Quando o modelo é treinado com perda de minimização de polaridade, ele pode aprender a remover informações indutoras de polarização enquanto o BARTNEUSFT-T sofre. Conforme ilustrado na Tabela 4, o nosso modelo LR-INFO poderia remover informações indutoras de preconceito “Espera-se que Trump ataque as políticas de imigração do Presidente Joe Biden” do resumo sobre a questão de “Trump falará no CPAC” enquanto BARTNEUSFTT não conseguiu removê-las. 

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

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Boost your HackerNoon story @ $159.99! 🚀

Mitigando o viés de enquadramento com perda de minimização de polaridade: detalhes experimentais

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Uma breve introdução à teoria do cérebro de Boltzmann

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Uma breve introdução à teoria do cérebro de Boltzmann

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps