Giảm thiểu sai lệch khung bằng giảm thiểu tổn thất phân cực: Thử nghiệm

Bảng liên kết

• Tóm tắt và giới thiệu
• Công việc có liên quan
• Tiếp cận
• Thí nghiệm
• Phần kết luận
• Hạn chế, Tuyên bố về Đạo đức và Tài liệu tham khảo
• A. Chi tiết thí nghiệm
• B. Kết quả thế hệ

4. Thí nghiệm

4.1. Cài đặt

4.2. Người mẫu

Đường cơ sở Chúng tôi so sánh với các mô hình tóm tắt đa tài liệu (MDS) sẵn có được đào tạo trên Tập dữ liệu nhiều tin tức (Fabbri và cộng sự, 2019) (BARTMULTI (Lewis và cộng sự, 2019) và PEGASUSMULTI (Zhang và cộng sự, 2019a)) như là đường cơ sở. Những mô hình này đã đạt được hiệu suất cao trong MDS, cũng có thể được áp dụng trong việc tóm tắt các bài viết phân cực. Tuy nhiên, những mô hình này không có bất kỳ kiến thức nào về việc loại bỏ sai lệch trong khung hoặc cách viết trung lập. Chúng tôi cũng so sánh với các mô hình hiện đại nhất (BARTNEUSFT và BARTNEUSFT-T) (Lee và cộng sự, 2022) đã được tinh chỉnh bằng tập dữ liệu ALLSIDES. BARTNEUSFT chỉ được tinh chỉnh với các bài viết trong khi BARTNEUSFT-T tận dụng thêm tiêu đề của từng bài viết. Chúng tôi cũng báo cáo thêm về PEGASUSNEUSFT. Việc tinh chỉnh đơn thuần có thể không đủ hiệu quả để tìm hiểu về xu hướng định khung. Do đó, chúng tôi sẽ chứng minh làm thế nào tổn thất giảm thiểu phân cực có thể giảm thiểu sai lệch khung một cách hiệu quả so với các mô hình cơ sở và SOTA.

4.3. Kết quả

Học tập hiệu quả với các cực cực Chúng tôi nghiên cứu rằng việc giảm thiểu phân cực giữa các đầu cực (trái, phải) hiệu quả hơn so với việc kết hợp với ổ cắm phương tiện trung tâm. Điều này là do các hệ tư tưởng cánh tả và cánh hữu là những đầu đối lập nhau có thể đào tạo các mô hình về các mục đích cực đoan hiệu quả hơn so với các phương tiện truyền thông trung tâm mặc dù phương tiện truyền thông trung tâm không hoàn toàn không có thành kiến. Kết quả phân tích định tính phù hợp với các biện pháp định lượng. Ví dụ, như được minh họa trong Bảng 2, cả hai mô hình giảm thiểu phân cực LR-INFO và LRC-AROUSAL đều có thể tóm tắt thông tin cần thiết từ các bài viết đầu vào phân cực. Đặc biệt là LR-INFO, mô hình có độ lệch thấp nhất, nó thậm chí có thể sử dụng lựa chọn từ trung lập hơn (ví dụ: “biểu tình” thay vì “bạo loạn” tương tự để nhắm mục tiêu Y).

4.4. Phân tích