paint-brush
Mitigando o viés de enquadramento com perda de minimização de polaridade: resumo e introduçãopor@mediabias
738 leituras
738 leituras

Mitigando o viés de enquadramento com perda de minimização de polaridade: resumo e introdução

Muito longo; Para ler

Neste artigo, os pesquisadores abordam o preconceito de enquadramento na mídia, um fator-chave da polarização política. Eles propõem uma nova função de perda para minimizar as diferenças de polaridade nos relatórios, reduzindo efetivamente o viés.
featured image - Mitigando o viés de enquadramento com perda de minimização de polaridade: resumo e introdução
Tech Media Bias [Research Publication] HackerNoon profile picture
0-item

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

Abstrato

O preconceito de enquadramento desempenha um papel significativo na exacerbação da polarização política, ao distorcer a percepção dos acontecimentos reais. Os meios de comunicação social com posições políticas divergentes utilizam frequentemente uma linguagem polarizada nas suas reportagens sobre o mesmo acontecimento. Propomos uma nova função de perda que incentiva o modelo a minimizar a diferença de polaridade entre os artigos de entrada polarizados para reduzir o viés de enquadramento. Especificamente, nossa perda é projetada para otimizar conjuntamente o modelo para mapear as extremidades da polaridade bidirecionalmente. Nossos resultados experimentais demonstram que a incorporação da perda de minimização de polaridade proposta leva a uma redução substancial no viés de enquadramento quando comparado a um modelo de resumo de múltiplos documentos baseado em BART. Notavelmente, descobrimos que a eficácia desta abordagem é mais pronunciada quando o modelo é treinado para minimizar a perda de polaridade associada ao viés de enquadramento informativo (ou seja, seleção distorcida de informações a serem relatadas).

1. Introdução

O preconceito de enquadramento tornou-se um problema generalizado nos meios de comunicação modernos, enganando a compreensão do que realmente aconteceu através de uma selecção distorcida de informação e linguagem (Entman, 2007, 2010; Gentzkow e Shapiro, 2006). O impacto mais notável do preconceito de enquadramento é a polaridade amplificada entre partidos políticos e meios de comunicação em conflito. Mitigar o preconceito de enquadramento é fundamental para promover a entrega de informações precisas e objetivas.


Um paradigma de mitigação promissor é gerar uma versão neutralizada de um artigo de notícias, sintetizando múltiplas visões de artigos de origem tendenciosa (Sides, 2018; Lee et al., 2022). Para alcançar a neutralização de notícias de forma mais eficaz, introduzimos uma perda de minimização de polaridade que aproveita o viés indutivo que incentiva o modelo a preferir a geração com diferença de polaridade minimizada. Nossa perda proposta treina o modelo para ser simultaneamente bom no mapeamento de artigos de uma extremidade do espectro de polaridade para outra extremidade do espectro e vice-versa, conforme ilustrado na Fig. 1. Intuitivamente, o modelo é forçado a aprender e focar no aspecto compartilhado entre polaridades contrastantes de duas extremidades opostas.


Figura 1: Ilustração de treinamento e inferência com a perda de minimização de polaridade proposta para reduzir o viés de enquadramento.


Neste trabalho, demonstramos a eficácia da nossa função de perda proposta ao minimizar a polaridade em diferentes dimensões do viés de enquadramento – lexical e informacional (Entman, 2002). A polarização lexical resulta da escolha de palavras com diferentes valências e estímulos para explicar a mesma informação (por exemplo, “protesto” vs “motim”). A polarização informacional resulta de uma selecção diferente de informações a cobrir, muitas vezes incluindo informações desnecessárias ou não relacionadas com a questão a ser coberta. Nossa investigação sugere que aprender as polaridades opostas que são distintas na dimensão informacional permite que o modelo adquira uma melhor capacidade de focar em pontos comuns e minimizar preconceitos nos artigos de entrada polarizados. Em última análise, a perda proposta permite a remoção de informações que induzem preconceitos e a geração de escolhas linguísticas mais neutras.