Этот документ доступен на arxiv под лицензией CC BY-NC-SA 4.0 DEED.   Авторы:  (1) Еджин Банг, Центр исследований искусственного интеллекта (CAiRE), Гонконгский университет науки и технологий;  (2) Наён Ли, Центр исследований искусственного интеллекта (CAiRE), Гонконгский университет науки и технологий;  (3) Паскаль Фунг, Центр исследований искусственного интеллекта (CAiRE), Гонконгский университет науки и технологий.  Таблица ссылок   Аннотация и введение   Связанных с работой   Подход   Эксперименты   Заключение   Ограничения, заявление об этике и ссылки   А. Детали эксперимента   Б. Результаты генерации  Абстрактный  Предвзятость в фреймировании играет важную роль в усугублении политической поляризации, искажая восприятие реальных событий. Средства массовой информации с разными политическими позициями часто используют поляризованный язык в репортажах об одном и том же событии. Мы предлагаем новую функцию потерь, которая побуждает модель минимизировать разницу полярности между поляризованными входными статьями, чтобы уменьшить смещение кадра. В частности, наша потеря предназначена для совместной оптимизации модели для двунаправленного сопоставления концов полярности. Наши экспериментальные результаты показывают, что включение предложенной минимизации потерь полярности приводит к существенному уменьшению смещения кадра по сравнению с моделью суммирования нескольких документов на основе BART. Примечательно, что мы обнаружили, что эффективность этого подхода наиболее выражена, когда модель обучена минимизировать потерю полярности, связанную с предвзятостью информационного кадрирования (т. е. искаженным отбором информации для отчета).  1. Введение  Предвзятость в фреймировании стала широко распространенной проблемой в современных средствах массовой информации, вводя в заблуждение понимание того, что на самом деле произошло, из-за искаженного выбора информации и языка (Entman, 2007, 2010; Gentzkow and Shapiro, 2006). Наиболее заметным последствием рамочной предвзятости является усиление полярности между конфликтующими политическими партиями и средствами массовой информации. Устранение предвзятости в формулировании имеет решающее значение для обеспечения точной и объективной подачи информации.  Одной из перспективных парадигм смягчения последствий является создание нейтральной версии новостной статьи путем синтеза нескольких мнений из предвзятых исходных статей (Sides, 2018; Lee et al., 2022). Чтобы более эффективно добиться нейтрализации новостей, мы вводим потерю минимизации полярности, которая использует индуктивное смещение, которое побуждает модель отдавать предпочтение генерации с минимальной разницей полярностей. Предлагаемые нами потери тренируют модель, чтобы одновременно хорошо сопоставлять статьи с одного конца спектра полярности на другой конец спектра и наоборот, как показано на рис. 1. Интуитивно модель вынуждена учиться и фокусироваться на общем аспекте. между противоположными полярностями с двух противоположных концов.   В этой работе мы демонстрируем эффективность предложенной нами функции потерь путем минимизации полярности в различных аспектах предвзятости фрейминга – лексической и информационной (Entman, 2002). Лексическая поляризация возникает в результате выбора слов с разной валентностью и активацией для объяснения одной и той же информации (например, «протест» или «бунт»). Информационная поляризация возникает в результате различного выбора информации для освещения, часто включая ненужную или несвязанную информацию, связанную с освещаемой проблемой. Наше исследование показывает, что изучение противоположных полярностей, которые различаются в информационном измерении, позволяет модели лучше сосредоточиться на общей основе и минимизировать предвзятость в поляризованных входных статьях. В конечном счете, предлагаемая нами потеря позволяет удалить информацию, вызывающую предвзятость, и создать более нейтральный языковой выбор.

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

Этот звук создан на языке оригинала истории!

Слишком долго; Читать

Boost your HackerNoon story @ $159.99! 🚀

Смягчение смещения кадра с помощью минимизации потерь полярности: Краткое содержание и введение

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Утечка информации о системе Claude Sonnet 3.5: судебно-медицинский анализ

Рост криптовалют: создание эффективных образов пользователей

Цифровые кочевники слушают: что нужно знать о новой визе DTV в Таиланде

Повысьте свою производительность с помощью этих 18 инструментов разработчика 🚀🔥

Утечка информации о системе Claude Sonnet 3.5: судебно-медицинский анализ

Рост криптовалют: создание эффективных образов пользователей

Цифровые кочевники слушают: что нужно знать о новой визе DTV в Таиланде

Повысьте свою производительность с помощью этих 18 инструментов разработчика 🚀🔥

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps