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！

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

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

加密货币增长：创建有效的用户角色

架构师指南：构建 AI/ML 数据湖参考架构

创建以用户为中心的加密产品：客户反馈的重要性

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

加密货币增长：创建有效的用户角色

架构师指南：构建 AI/ML 数据湖参考架构

创建以用户为中心的加密产品：客户反馈的重要性

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps