paint-brush
Polarite Minimizasyon Kaybı ile Çerçeveleme Önyargısını Azaltma: Özet ve Girişile@mediabias
720 okumalar
720 okumalar

Polarite Minimizasyon Kaybı ile Çerçeveleme Önyargısını Azaltma: Özet ve Giriş

Çok uzun; Okumak

Bu makalede araştırmacılar, siyasi kutuplaşmanın temel etkenlerinden biri olan medyadaki çerçeveleme önyargısını ele alıyor. Raporlamadaki kutupsallık farklılıklarını en aza indirmek ve önyargıyı etkili bir şekilde azaltmak için yeni bir kayıp fonksiyonu öneriyorlar.
featured image - Polarite Minimizasyon Kaybı ile Çerçeveleme Önyargısını Azaltma: Özet ve Giriş
Media Bias [Deeply Researched Academic Papers] HackerNoon profile picture
0-item

Bu makale arxiv'de CC BY-NC-SA 4.0 DEED lisansı altında mevcuttur.

Yazarlar:

(1) Yejin Bang, Yapay Zeka Araştırma Merkezi (CAiRE), Hong Kong Bilim ve Teknoloji Üniversitesi;

(2) Nayeon Lee, Yapay Zeka Araştırma Merkezi (CAiRE), Hong Kong Bilim ve Teknoloji Üniversitesi;

(3) Pascale Fung, Yapay Zeka Araştırma Merkezi (CAiRE), Hong Kong Bilim ve Teknoloji Üniversitesi.

Bağlantı Tablosu

Soyut

Çerçeveleme yanlılığı, gerçek olayların algısını çarpıtarak siyasi kutuplaşmayı şiddetlendirmede önemli bir rol oynuyor. Farklı siyasi duruşlara sahip medya kuruluşları aynı olayı aktarırken sıklıkla kutuplaşmış bir dil kullanıyor. Çerçeveleme yanlılığını azaltmak için modeli polarize girdi maddeleri arasındaki polarite farkını en aza indirmeye teşvik eden yeni bir kayıp fonksiyonu öneriyoruz. Spesifik olarak kaybımız, polarite uçlarını çift yönlü olarak haritalamak için modeli ortaklaşa optimize etmek üzere tasarlanmıştır. Deneysel sonuçlarımız, önerilen polarite minimizasyon kaybının dahil edilmesinin, BART tabanlı çoklu belge özetleme modeliyle karşılaştırıldığında çerçeveleme yanlılığında önemli bir azalmaya yol açtığını göstermektedir. Özellikle, bu yaklaşımın etkinliğinin, model bilgi çerçeveleme yanlılığı (yani raporlanacak bilgilerin çarpık seçimi) ile ilişkili kutup kaybını en aza indirecek şekilde eğitildiğinde en belirgin olduğunu bulduk.

1. Giriş

Çerçeveleme yanlılığı, modern medyada yaygın bir sorun haline geldi; çarpık bilgi ve dil seçimi yoluyla gerçekte ne olduğunun anlaşılmasını yanılttı (Entman, 2007, 2010; Gentzkow ve Shapiro, 2006). Çerçeveleme önyargısının en dikkate değer etkisi, çatışan siyasi partiler ve medya kuruluşları arasındaki kutuplaşmanın artmasıdır. Çerçeveleme yanlılığının azaltılması, bilginin doğru ve objektif bir şekilde iletilmesini teşvik etmek açısından kritik öneme sahiptir.


Umut verici bir hafifletme paradigması, önyargılı kaynak makalelerden birden fazla görüşü sentezleyerek bir haber makalesinin nötrleştirilmiş bir versiyonunu oluşturmaktır (Sides, 2018; Lee ve diğerleri, 2022). Haber nötrleştirmesini daha etkili bir şekilde başarmak için, modeli en aza indirilmiş kutup farkıyla üretimi tercih etmeye teşvik eden tümevarımsal önyargıdan yararlanan bir kutup minimizasyon kaybı sunuyoruz. Önerdiğimiz kayıp, modeli, Şekil 1'de gösterildiği gibi polarite spektrumunun bir ucundan spektrumun diğer ucuna ve tam tersi şekilde makaleleri eş zamanlı olarak iyi bir şekilde eşleme konusunda eğitir. Sezgisel olarak, model, paylaşılan yönü öğrenmeye ve odaklanmaya zorlanır. iki zıt uçtan zıt kutuplar arasında.


Şekil 1: Çerçeveleme yanlılığını azaltmak için önerilen polarite minimizasyon kaybı ile eğitim ve çıkarımın gösterimi.


Bu çalışmada, çerçeveleme yanlılığının farklı boyutlarındaki (sözcüksel ve bilgisel) kutupsallığı en aza indirerek önerilen kayıp fonksiyonumuzun etkinliğini gösteriyoruz (Entman, 2002). Sözcüksel kutuplaşma, aynı bilgiyi açıklamak için farklı anlamlara ve uyarılmalara sahip kelimelerin seçilmesinden kaynaklanır (örneğin, "protesto" ve "isyan"). Bilgisel kutuplaşma, çoğunlukla ele alınan konuyla ilgili gereksiz veya ilgisiz bilgileri içeren, kapsanacak bilgilerin farklı şekilde seçilmesinden kaynaklanır. Araştırmamız, bilgi boyutunda farklı olan zıt kutupları öğrenmenin, modelin ortak zemine odaklanma ve kutuplaşmış girdi makalelerindeki önyargıları en aza indirme konusunda daha iyi bir yetenek kazanmasını sağladığını öne sürüyor. Sonuçta, önerdiğimiz kayıp, önyargıya neden olan bilgilerin ortadan kaldırılmasına ve daha tarafsız dil seçeneklerinin oluşturulmasına olanak sağlar.