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  6.1. Limitações  O estudo é limitado pela sua adesão à configuração de tarefas do benchmark baseada em inglês. A análise limita-se às ideologias políticas nos Estados Unidos e na língua inglesa. Além disso, o limite de entrada de 1.024 subtokens do modelo BART restringe o número de artigos de origem tendenciosos que podem ser incluídos como entrada. É importante notar que estas limitações, embora possam impactar o escopo das descobertas do estudo, não são incomuns na pesquisa sobre processamento de linguagem natural. No entanto, futuras pesquisas podem beneficiar da abordagem destas limitações, explorando métodos alternativos para uma gama mais ampla de ideologias políticas (ideologias políticas não americanas) e línguas, bem como incorporando textos de entrada mais longos para capturar uma gama mais abrangente de artigos de origem.  6.2. Declaração de ética  A questão dos artigos tendenciosos com enquadramento tem sido amplamente estudada, pois pode levar à polarização ao influenciar a opinião dos leitores em relação a determinada pessoa, grupo ou tema. Para resolver este problema, nossa pesquisa se concentra na introdução de uma função de perda que pode ser incorporada para permitir que o modelo reduza o viés de enquadramento no resumo gerado.  No entanto, é importante reconhecer que as tecnologias automáticas também podem ter consequências negativas não intencionais se não forem desenvolvidas com uma consideração cuidadosa dos seus impactos mais amplos. Por exemplo, os modelos de aprendizagem automática podem introduzir preconceitos nos seus resultados, substituindo o preconceito da fonte conhecida por outra forma de preconceito (Lee et al., 2022). Para mitigar esse risco, Lee et al. (2022) sugeriram incluir menção explícita aos artigos originais ao lado de resumos neutros gerados automaticamente. Além disso, embora o nosso trabalho vise remover o preconceito de enquadramento em artigos gerados por humanos, existe o potencial de alucinação na geração, o que é um problema bem conhecido dos modelos generativos (Ji et al., 2023). Assim, é importante equipar um guarda-corpo (por exemplo, um fornecimento de referência de fonte) se tal tecnologia automática for implementada para casos de uso reais.  Apesar destes desafios, a nossa investigação pode contribuir para o esforço de mitigar o preconceito de enquadramento gerado pelo homem, a fim de reduzir a polarização na sociedade. Um dos casos de uso pode ser ajudar especialistas humanos no processo de fornecimento de artigos sintetizados com múltiplas visualizações, sem preconceito de enquadramento. Em termos de impacto social mais amplo, esperamos que o nosso trabalho possa ajudar os utilizadores online a aceder a informações online mais despolarizadas.  6.3. Referências  2021. Centro – o que significa uma classificação de preconceito da mídia “central”?  Ramy Baly, Giovanni Da San Martino, James Glass e Preslav Nakov. 2020. Podemos detectar o seu preconceito: Prevendo a ideologia política dos artigos de notícias. Em Anais da Conferência de 2020 sobre Métodos Empíricos em Processamento de Linguagem Natural (EMNLP), páginas 4982–4991, Online. Associação de Lingüística Computacional.  Adriana Beratšová, Kristína Krchová, Nikola Gažová e Michal Jirásek. 2016. Enquadramento e preconceito: uma revisão da literatura de descobertas recentes. Jornal de gestão da Europa Central, 3(2).  Dennis Chong e James N. Druckman. 2007. Teoria do enquadramento. Anu. Rev. Ciências, 10:103–126.  Robert M Entman. 2002. Enquadramento: Rumo ao esclarecimento de um paradigma fraturado. Leitor de McQuail na Teoria da Comunicação de Massa. Londres, Califórnia e Nova Delhi: Sage.  Robert M Entman. 2007. Viés de enquadramento: a mídia na distribuição de poder. Jornal de comunicação, 57(1):163–173.  Robert M Entman. 2010. Vieses de enquadramento da mídia e poder político: explicando a inclinação nas notícias da campanha de 2008. Journalism, 11(4):389–408.  Alexander R Fabbri, Irene Li, Tianwei She, Suyi Li e Dragomir R Radev. 2019. Multinotícias: um conjunto de dados de resumo de vários documentos em grande escala e um modelo hierárquico abstrativo. pré-impressão arXiv arXiv:1906.01749  Lisa Fan, Marshall White, Eva Sharma, Ruisi Su, Prafulla Kumar Choubey, Ruihong Huang e Lu Wang. 2019. À vista de todos: preconceito da mídia através das lentes da reportagem factual. Pré-impressão do arXiv arXiv:1909.02670.  Matthew Gentzkow e Jesse M Shapiro. 2006. Preconceito e reputação da mídia. Jornal de Economia Política, 114(2):280–316.  Matthew Gentzkow, Jesse M Shapiro e Daniel F Stone. 2015. Viés da mídia no mercado: Teoria. No Manual de economia da mídia, volume 1, páginas 623–645. Elsevier.  Erving Goffman. 1974. Análise de quadros: Um ensaio sobre a organização da experiência. Imprensa da Universidade de Harvard  Felix Hamborg, Karsten Donnay e Bela Gipp. 2019. Identificação automatizada de preconceitos mediáticos em artigos noticiosos: uma revisão interdisciplinar da literatura. Revista Internacional de Bibliotecas Digitais, 20(4):391–415.  Felix Hamborg, Norman Meuschke e Bela Gipp. 2017. Agregação de notícias baseada em matriz: explorando diferentes perspectivas de notícias. Em 2017, Conferência Conjunta ACM/IEEE sobre Bibliotecas Digitais (JCDL), páginas 1–10. IEEE.  Ziwei Ji, Nayeon Lee, Rita Frieske, Tiezheng Yu, Dan Su, Yan Xu, Etsuko Ishii, Ye Jin Bang, Andrea Madotto e Pascale Fung. 2023. Pesquisa de alucinações na geração de linguagem natural. ACM Computação. Sobrevivente, 55(12).  Daniel Kahneman e Amos Tversky. 2013. Teoria do prospecto: Uma análise da decisão sob risco. No Manual dos fundamentos da tomada de decisões financeiras: Parte I, páginas 99–127. Científico Mundial.  Philippe Laban e Marti A Hearst. 2017. newslens: construção e visualização de notícias de longo alcance. Em Anais dos Eventos e Histórias no Workshop de Notícias, páginas 1–9.  Nayeon Lee, Yejin Bang, Tiezheng Yu, Andrea Madotto e Pascale Fung. 2022. NeuS: Resumo neutro de múltiplas notícias para mitigar o preconceito de enquadramento. Em Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, páginas 3131–3148, Seattle, Estados Unidos. Associação de Lingüística Computacional.  Mike Lewis, Yinhan Liu, Naman Goyal, Marjan Ghazvininejad, Abdelrahman Mohamed, Omer Levy, Ves Stoyanov e Luke Zettlemoyer. 2019. Bart: Pré-treinamento de eliminação de ruído sequência a sequência para geração, tradução e compreensão de linguagem natural. Pré-impressão do arXiv arXiv:1910.13461.  Yujian Liu, Xinliang Frederick Zhang, David Wegsman, Nicholas Beauchamp e Lu Wang. 2022. POLÍTICA: Pré-treinamento com comparação de artigos da mesma história para previsão de ideologia e detecção de postura. Em Findings of the Association for Computational Linguistics: NAACL 2022, páginas 1354–1374, Seattle, Estados Unidos. Associação de Lingüística Computacional.  Saif Mohammed. 2018. Obtenção de classificações humanas confiáveis de valência, excitação e dominância para 20.000 palavras em inglês. Nos Anais da 56ª Reunião Anual da Association for Computational Linguistics (Volume 1: Long Papers), páginas 174–184.  Fred Morstatter, Liang Wu, Uraz Yavanoglu, Stephen R Corman e Huan Liu. 2018. Identificando preconceitos de enquadramento em notícias online. Transações ACM em Computação Social, 1(2):1–18.  Kishore Papineni, Salim Roukos, Todd Ward e WeiJing Zhu. 2002. Bleu: um método para avaliação automática de tradução automática. Nos Anais da 40ª reunião anual da Association for Computational Linguistics, páginas 311–318.  Souneil Park, Seungwoo Kang, Sangyoung Chung e Junehwa Song. 2009. Newscube: entrega de múltiplos aspectos de notícias para mitigar o preconceito da mídia. Em Anais da conferência SIGCHI sobre fatores humanos em sistemas de computação, páginas 443–452.  Dietram A Scheufele. 2000. Definição, preparação e enquadramento da agenda revisitados: outro olhar sobre os efeitos cognitivos da comunicação política. Comunicação de massa e sociedade, 3(2-3):297–316.  Todos os lados. 2018. Avaliações de preconceito da mídia. Allsides. com.  Timo Spinde, Christina Kreuter, Wolfgang Gaissmaier, Felix Hamborg, Bela Gipp e Helge Giese. 2021. Você acha que é tendencioso? como perguntar sobre a percepção do preconceito da mídia. Em 2021, Conferência Conjunta ACM/IEEE sobre Bibliotecas Digitais (JCDL), páginas 61–69. IEEE.  Esther van den Berg e Katja Markert. 2020. Contexto na detecção de vieses informacionais. Em Anais da 28ª Conferência Internacional sobre Lingüística Computacional, páginas 6315–6326, Barcelona, Espanha (Online). Comitê Internacional de Lingüística Computacional.  George Wright e Paul Goodwin. 2002. Eliminação de um viés de enquadramento usando instruções simples para “pensar mais” e entrevistados com experiência gerencial: Comentário sobre “quebrar o enquadramento”. Diário de gestão estratégica, 23(11):1059–1067.  Jingqing Zhang, Yao Zhao, Mohammad Saleh e Peter J. Liu. 2019a. Pegasus: Pré-treinamento com sentenças lacunares extraídas para resumo abstrativo.  Tianyi Zhang*, Varsha Kishore*, Felix Wu*, Kilian Q. Weinberger e Yoav Artzi. 2020. Bertscore: Avaliando a geração de texto com bert. Na Conferência Internacional sobre Representações de Aprendizagem.  Yifan Zhang, Giovanni Da San Martino, Alberto BarrónCedeno, Salvatore Romeo, Jisun An, Haewoon Kwak, Todor Staykovski, Israa Jaradat, Georgi Karadzhov, Ramy Baly, e outros. 2019b. Tanbih: Saiba o que você está lendo. EMNLP-IJCNLP 2019, página 223.

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 preconceito de enquadramento com perda de minimização de polaridade: limitações, declaração de ética e referências

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Como melhorar seu fluxo de trabalho em 10 vezes: 17 aplicativos essenciais

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

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

Como melhorar seu fluxo de trabalho em 10 vezes: 17 aplicativos essenciais

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

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

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps