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  4. Experimentos  4.1. Configurar   4.2. Modelos    Comparamos com modelos de resumo multidocumento (MDS) prontos para uso treinados em conjunto de dados Multi-news (Fabbri et al., 2019) (BARTMULTI (Lewis et al., 2019) e PEGASUSMULTI (Zhang et al., 2019a)) como linhas de base. Esses modelos alcançaram alto desempenho em MDS, que também pode ser aplicado na sumarização de artigos polarizados. No entanto, esses modelos não possuem nenhum aprendizado sobre remoção de viés de enquadramento ou escrita neutra. Também comparamos com os modelos de última geração (BARTNEUSFT e BARTNEUSFT-T) (Lee et al., 2022) que são ajustados com o conjunto de dados ALLSIDES. O BARTNEUSFT é ajustado apenas com artigos, enquanto o BARTNEUSFT-T aproveita adicionalmente os títulos de cada artigo. Também relatamos PEGASUSNEUSFT. O simples ajuste fino pode não ser eficaz o suficiente para aprender sobre o viés de enquadramento. Assim, demonstraremos como a perda de minimização de polaridade pode efetivamente mitigar o viés de enquadramento em comparação com os modelos de linha de base e SOTA.  Linhas de base  4.3. Resultados     Investigamos que a minimização da polaridade entre extremos (esquerda, direita) é mais eficaz do que a mistura com um meio de comunicação central. Isto ocorre porque as ideologias de esquerda e de direita são os extremos opostos que podem treinar modelos de forma mais eficaz sobre fins extremos do que os meios de comunicação de centro, embora a mídia de centro não esteja completamente livre de preconceitos. Os resultados da análise qualitativa alinham-se com as medidas quantitativas. Por exemplo, conforme ilustrado na Tabela 2, os modelos de polaridade minimizada LR-INFO e LRC-AROUSAL poderiam resumir as informações essenciais dos artigos de entrada polarizados. Especialmente o LR-INFO, o modelo com menor tendência, poderia até usar uma escolha de palavra mais neutra (por exemplo, “protestos” em vez de “tumultos”, o mesmo para atingir Y).  Aprendizagem eficaz com polaridades extremas  4.4. Análise 

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: experimentos

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Telegram: a ponte da Crypto Island para o continente

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Telegram: a ponte da Crypto Island para o continente

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps