该论文可在 arxiv 上根据 CC BY-NC-SA 4.0 DEED 许可获取。 作者：  （1）Yejin Bang，香港科技大学人工智能研究中心（CAiRE）；  （2） Nayeon Lee，香港科技大学人工智能研究中心（CAiRE）；  （3）冯廷哲，香港科技大学人工智能研究中心（CAiRE）。 链接表 摘要和简介 相关工作 方法 实验 结论 局限性、道德声明和参考文献 A.实验细节 B. 生成结果 A.实验细节  BERTSCORE-F1 为了评估显著信息，我们采用了基于 token 嵌入的指标 BERTSCORE-F1。我们使用 (Zhang* et al., 2020) 提供的预训练“microsoft/deberta-xlarge-mnli”版本作为最先进的检查点。  A.1 人工评估 我们用 30 个随机选择的样本进行了评估。我们从两个模型中提供了两篇文章（随机顺序），以及描述文章内容的问题句子。然后，按照 Spinde 等人（2021 年）；Lee 等人（2022 年）的方法，要求注释者回答“哪篇文章更有偏见？”的问题。我们为每个样本获取三个注释，并选择多数投票。由于许多测试样本与美国政治密切相关，我们招募了三名 美国公民/国民/居民，以尽量减少评估中涉及的任何政治偏见或个人偏好。这三位注释者都声称自己在政治倾向上是温和的，并且他们有资格用英语进行评估（他们都接受了英语高等教育）。 非 为了验证在成对文章中选择哪一篇有偏差不是随机的，在获得评估结果后进行了二项检验。零假设是“从 LR-INFO（我们提出的方法）生成的文章中选择偏差较小的文章是随机的”。然后，我们得到了 p 值 0.019，这拒绝了零假设（p < 0.05）。因此，从 LR-INFO 生成的文章中选择偏差较小的文章不是随机的。 当使用极性最小化损失训练模型时，它可以学会去除引起偏见的信息，而 BARTNEUSFT-T 则受到影响。如表 4 所示，我们的模型 LR-INFO 可以从关于“特朗普将在 CPAC 上发言”问题的摘要中删除引起偏见的信息“特朗普预计将攻击乔·拜登总统的移民政策”，而 BARTNEUSFTT 却无法删除它。 

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

該音頻是用故事的原始語言製作的！

太長; 讀書

Boost your HackerNoon story @ $159.99! 🚀

利用极性最小化损失减轻框架偏差：实验细节

About Author

註釋

標籤

这篇文章刊登在

Related Stories

Telegram：加密岛通往大陆的桥梁

从论坛到信息流：社交媒体算法如何塑造数字互动

看不见的层面：为什么用户访谈是不可替代的资产

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

Telegram：加密岛通往大陆的桥梁

从论坛到信息流：社交媒体算法如何塑造数字互动

看不见的层面：为什么用户访谈是不可替代的资产

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps