paint-brush
Mitigando o viés de enquadramento com perda de minimização de polaridade: experimentospor@mediabias
4,259 leituras
4,259 leituras

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

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: experimentos
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

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


Tabela 3: Estudo de ablação: Efeito de ter apenas minimização de polaridade unidirecional com modelo LR-INFO.