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 6.1. 限制 这项研究受到基准英语任务设置的约束。分析仅限于美国和英语的政治意识形态。此外，BART 模型的 1024 个子标记输入限制限制了可以作为输入包含的有偏见的源文章的数量。值得注意的是，这些限制虽然可能会影响研究结果的范围，但在自然语言处理研究中并不少见。尽管如此，未来的研究可能会受益于解决这些限制，方法是探索适用于更广泛的政治意识形态（非美国政治意识形态）和语言的替代方法，以及纳入更长的输入文本以捕捉更全面的源文章。  6.2. 道德声明 带有框架偏见的文章问题已得到广泛研究，因为它会影响读者对某个人、群体或主题的看法，从而导致两极分化。为了解决这个问题，我们的研究重点是引入一个损失函数，该函数可以与模型结合，使模型能够减少生成的摘要中的框架偏见。 然而，我们必须认识到，如果在开发自动化技术时没有仔细考虑其更广泛的影响，它也可能带来意想不到的负面影响。例如，机器学习模型可能会在其输出中引入偏见，用另一种形式的偏见取代已知的来源偏见 (Lee et al., 2022)。为了降低这种风险，Lee et al. (2022) 建议在自动生成的中性摘要中明确提及来源文章。此外，虽然我们的工作旨在消除人工生成文章中的框架偏见，但生成过程中可能会出现幻觉，这是生成模型的一个众所周知的问题 (Ji et al., 2023)。因此，如果在实际用例中实施此类自动化技术，则必须配备护栏（例如，提供来源参考）。 尽管存在这些挑战，我们的研究仍有助于减轻人类产生的框架偏见，从而减少社会两极分化。其中一个用例是帮助人类专家提供没有框架偏见的多视角合成文章。就更广泛的社会影响而言，我们希望我们的工作能够帮助在线用户在线获取更多去两极化的信息。  6.3. 参考文献 2021. 中心——“中心”媒体偏见评级是什么意思？  Ramy Baly、Giovanni Da San Martino、James Glass 和 Preslav Nakov。2020 年。我们可以发现你的偏见：预测新闻文章的政治意识形态。在 2020 年自然语言处理实证方法 (EMNLP) 会议论文集，第 4982–4991 页，在线。计算语言学协会。  Adriana Beratšová、Kristína Krchová、Nikola Gažová 和 Michal Jirásek。 2016.框架与偏见：最新研究成果的文献综述。中欧管理杂志，3（2）。  Dennis Chong 和 James N Druckman。2007 年。框架理论。Annu. Rev. Polit. Sci.，10：103–126。  Robert M Entman。2002 年。《框架：走向破碎范式的澄清》。McQuail 大众传播理论读本。伦敦、加利福尼亚和新德里：Sage。  Robert M Entman。2007 年。“框架偏见：媒体在权力分配中的作用”。《传播学杂志》，57(1):163–173。  Robert M Entman。2010 年。《媒体框架偏见和政治权力：解释 2008 年竞选新闻中的倾向》。《新闻学》，11(4):389–408。  Alexander R Fabbri、Irene Li、Tianwei She、Suyi Li 和 Dragomir R Radev。2019 年。多新闻：大规模多文档摘要数据集和抽象层次模型。arXiv 预印本 arXiv:1906.01749  Lisa Fan、Marshall White、Eva Sharma、Ruisi Su、Prafulla Kumar Choubey、Ruihong Huang 和 Lu Wang。2019 年。一目了然：从事实报道的视角看媒体偏见。arXiv 预印本 arXiv:1909.02670。  Matthew Gentzkow 和 Jesse M Shapiro。2006 年。《媒体偏见与声誉》。《政治经济学杂志》，114(2):280–316。  Matthew Gentzkow、Jesse M Shapiro 和 Daniel F Stone。2015 年。《市场中的媒体偏见：理论》。《媒体经济学手册》第 1 卷，第 623–645 页。爱思唯尔。 欧文·戈夫曼。1974 年。《框架分析：经验组织论》。哈佛大学出版社 Felix Hamborg、Karsten Donnay 和 Bela Gipp。2019 年。自动识别新闻文章中的媒体偏见：跨学科文献综述。国际数字图书馆杂志，20(4):391–415。  Felix Hamborg、Norman Meuschke 和 Bela Gipp。2017 年。基于矩阵的新闻聚合：探索不同的新闻视角。2017 年 ACM/IEEE 数字图书馆联合会议 (JCDL)，第 1-10 页。IEEE。  Ziwei Ji、Nayeon Lee、Rita Frieske、Tiezheng Yu、Dan Su、Yan Xu、Etsuko Ishii、Ye Jin Bang、Andrea Madotto 和 Pascale Fung。2023 年。自然语言生成中的幻觉调查。ACM Comput. Surv.，55(12)。 丹尼尔·卡尼曼和阿莫斯·特沃斯基。2013 年。《前景理论：风险决策分析》。《金融决策基础手册：第一部分》，第 99-127 页。世界科学出版社。  Philippe Laban 和 Marti A Hearst。2017 年。newslens：构建和可视化长篇新闻报道。《新闻事件与故事研讨会论文集》，第 1-9 页。  Nayeon Lee、Yejin Bang、Tiezheng Yu、Andrea Madotto 和 Pascale Fung。2022 年。NeuS：中性多新闻摘要，用于减轻框架偏见。在计算语言学协会北美分会 2022 年会议论文集：人类语言技术，第 3131–3148 页，西雅图，美国。计算语言学协会。  Mike Lewis、Yinhan Liu、Naman Goyal、Marjan Ghazvininejad、Abdelrahman Mohamed、Omer Levy、Ves Stoyanov 和 Luke Zettlemoyer。2019 年。Bart：用于自然语言生成、翻译和理解的去噪序列到序列预训练。arXiv 预印本 arXiv:1910.13461。  Yujian Liu、Xinliang Frederick Zhang、David Wegsman、Nicholas Beauchamp 和 Lu Wang。2022 年。《政治：使用同一篇报道文章比较进行预训练，以预测意识形态和检测立场》。《计算语言学协会调查结果：NAACL 2022》，第 1354-1374 页，西雅图，美国。计算语言学协会。  Saif Mohammad。2018 年。获得 20,000 个英文单词的价态、唤醒度和支配度的可靠人工评级。第 56 届计算语言学协会年会论文集（第 1 卷：长篇论文），第 174-184 页。  Fred Morstatter、Liang Wu、Uraz Yavanoglu、Stephen R Corman 和 Huan Liu。2018 年。识别在线新闻中的框架偏见。ACM 社交计算学报，1(2):1-18。  Kishore Papineni、Salim Roukos、Todd Ward 和 WeiJing Zhu。2002 年。Bleu：一种自动评估机器翻译的方法。载于计算语言学协会第 40 届年会论文集，第 311-318 页。  Souneil Park、Seungwoo Kang、Sangyoung Chung 和 Junehwa Song。2009 年。Newscube：传递新闻的多个方面以减轻媒体偏见。《SIGCHI 计算系统人为因素会议论文集》，第 443-452 页。  Dietram A Scheufele。2000 年。重新审视议程设置、启动和框架：从另一个角度看政治传播的认知效应。大众传播与社会，3(2-3):297–316。 各方观点。2018 年。媒体偏见评级。Allsides.com。  Timo Spinde、Christina Kreuter、Wolfgang Gaissmaier、Felix Hamborg、Bela Gipp 和 Helge Giese。2021 年。您认为它有偏见吗？如何询问对媒体偏见的看法。2021 年 ACM/IEEE 数字图书馆联合会议 (JCDL)，第 61-69 页。IEEE。  Esther van den Berg 和 Katja Markert。2020 年。信息偏差检测中的上下文。第 28 届国际计算语言学会议论文集，第 6315–6326 页，西班牙巴塞罗那（在线）。国际计算语言学委员会。  George Wright 和 Paul Goodwin。2002 年。《通过简单的指示“更加努力思考”消除框架偏见》和具有管理经验的受访者：关于“打破框架”的评论》。《战略管理杂志》，23(11):1059–1067。  Jingqing Zhang、Yao Zhao、Mohammad Saleh 和 Peter J. Liu。2019a。Pegasus：使用提取的间隙句进行预训练以进行抽象摘要。  Tianyi Zhang*、Varsha Kishore*、Felix Wu*、Kilian Q. Weinberger 和 Yoav Artzi。2020 年。Bertscore：使用 bert 评估文本生成。国际学习表征会议。  Yifan Zhang、Giovanni Da San Martino、Alberto BarrónCedeno、Salvatore Romeo、Jisun An、Haewoon Kwak、Todor Staykovski、Israa Jaradat、Georgi Karadzhov、Ramy Baly 等。2019b。Tanbih：了解您正在阅读的内容。EMNLP-IJCNLP 2019，第 223 页。

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! 🚀

通过极性最小化损失减轻框架偏差：局限性、道德声明和参考文献

About Author

註釋

標籤

这篇文章刊登在

Related Stories

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

使用这 18 种开发工具来提高你的工作效率 🚀🔥

如何将您的工作流程提高 10 倍：17 个必备应用程序

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

使用这 18 种开发工具来提高你的工作效率 🚀🔥

如何将您的工作流程提高 10 倍：17 个必备应用程序

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps