Mitigando o viés de enquadramento com perda de minimização de polaridade: experimentos

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

Linhas de base 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.

4.3. Resultados

Aprendizagem eficaz com polaridades extremas 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).

4.4. Análise