論文の概要: We Can Detect Your Bias: Predicting the Political Ideology of News Articles

• arxiv url: http://arxiv.org/abs/2010.05338v1
• Date: Sun, 11 Oct 2020 20:27:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 13:33:12.228883
• Title: We Can Detect Your Bias: Predicting the Political Ideology of News Articles
• Title（参考訳）: バイアスを検出できます ニュース記事の政治的イデオロギーを
• Authors: Ramy Baly, Giovanni Da San Martino, James Glass and Preslav Nakov
• Abstract要約: 我々は、政治的イデオロギーのために手動で注釈付けされた34,737項目のデータセットを公表した。 私たちは、テスト例がトレーニング中に見られなかったメディアから得られる、挑戦的な実験的なセットアップを使用しています。 実験結果から,最先端の事前学習型トランスに比べて非常に大きな改善が得られた。
• 参考スコア（独自算出の注目度）: 35.761722515882646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore the task of predicting the leading political ideology or bias of news articles. First, we collect and release a large dataset of 34,737 articles that were manually annotated for political ideology -left, center, or right-, which is well-balanced across both topics and media. We further use a challenging experimental setup where the test examples come from media that were not seen during training, which prevents the model from learning to detect the source of the target news article instead of predicting its political ideology. From a modeling perspective, we propose an adversarial media adaptation, as well as a specially adapted triplet loss. We further add background information about the source, and we show that it is quite helpful for improving article-level prediction. Our experimental results show very sizable improvements over using state-of-the-art pre-trained Transformers in this challenging setup.
• Abstract（参考訳）: 我々は、主要な政治イデオロギーやニュース記事のバイアスを予測するタスクを探求する。 まず、政治イデオロギー(左、中央、右)に手動で注釈付けされた34,737記事からなる大規模なデータセットを収集し、公開します。 さらに,テスト例がトレーニング中に見られなかったメディアから来るという,難解な実験的なセットアップを用いて,モデルが対象ニュース記事のソースを学習することを防止し,政治的なイデオロギーを予測することなく検出する。 モデリングの観点からは,敵メディアへの適応と,特殊に適応した三重項損失を提案する。 さらに、ソースに関する背景情報を加え、記事レベルの予測を改善するのに非常に役立つことを示す。 実験結果から,この挑戦的なセットアップにおいて,最先端の事前学習型トランスに比べて非常に大きな改善が得られた。

関連論文リスト

• Mapping the Media Landscape: Predicting Factual Reporting and Political Bias Through Web Interactions [0.7249731529275342]
  本稿では,最近発表されたニュースメディアの信頼性評価手法の拡張を提案する。 大規模ニュースメディアハイパーリンクグラフ上での4つの強化学習戦略の分類性能を評価する。 本実験は,2つの難解なバイアス記述子,事実報告と政治的偏見を対象とし,情報源メディアレベルでの大幅な性能向上を示した。
  論文  参考訳（メタデータ） (2024-10-23T08:18:26Z)
• P^3SUM: Preserving Author's Perspective in News Summarization with Diffusion Language Models [57.571395694391654]
  既存のアプローチは、要約の50%以上で、ニュース記事の政治的意見やスタンスを変えている。 政治的視点分類器によって制御される拡散モデルに基づく要約手法であるP3SUMを提案する。 3つのニュース要約データセットの実験により、P3SUMは最先端の要約システムより優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-16T10:14:28Z)
• Learning Unbiased News Article Representations: A Knowledge-Infused Approach [0.0]
  本研究では,グローバル・ローカル・コンテクストを用いて,ニュース記事の非バイアス表現を学習する知識注入型ディープラーニングモデルを提案する。 提案手法は,アルゴリズムによる政治的偏見を緩和し,記事の政治的傾きを最大73%の精度で予測する基礎的手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-12T06:20:34Z)
• Towards Corpus-Scale Discovery of Selection Biases in News Coverage: Comparing What Sources Say About Entities as a Start [65.28355014154549]
  本稿では,大規模ニュースコーパスにおけるニュースコンテンツから直接メディア選択バイアスのパターンを発見するために,スケーラブルなNLPシステムを構築する上での課題について検討する。 我々は,世界519のニュースソースから180万件のニュース記事のコーパスであるNELA-2020のケーススタディを通じて,フレームワークの能力を示す。
  論文  参考訳（メタデータ） (2023-04-06T23:36:45Z)
• Computational Assessment of Hyperpartisanship in News Titles [55.92100606666497]
  われわれはまず、超党派ニュースタイトル検出のための新しいデータセットを開発するために、人間の誘導する機械学習フレームワークを採用する。 全体的に右派メディアは比例的に超党派的なタイトルを使う傾向にある。 我々は、外国問題、政治システム、ニュースタイトルにおける過党主義を示唆する社会問題を含む3つの主要なトピックを識別する。
  論文  参考訳（メタデータ） (2023-01-16T05:56:58Z)
• Unveiling the Hidden Agenda: Biases in News Reporting and Consumption [59.55900146668931]
  イタリアのワクチン論争に関する6年間のデータセットを構築し、物語と選択バイアスを特定するためにベイジアン潜在空間モデルを採用する。 バイアスとエンゲージメントの間に非線形な関係が見られ、極端な位置へのエンゲージメントが高くなった。 Twitter上でのニュース消費の分析は、同様のイデオロギー的な立場のニュースメディアの間で、一般的なオーディエンスを明らかにしている。
  論文  参考訳（メタデータ） (2023-01-14T18:58:42Z)
• NeuS: Neutral Multi-News Summarization for Mitigating Framing Bias [54.89737992911079]
  様々な政治スペクトルの複数のニュース見出しから中立的な要約を生成する新しい課題を提案する。 最も興味深い観察の1つは、生成モデルは、事実的に不正確なコンテンツや検証不可能なコンテンツだけでなく、政治的に偏ったコンテンツにも幻覚を与えることができることである。
  論文  参考訳（メタデータ） (2022-04-11T07:06:01Z)
• A Machine Learning Pipeline to Examine Political Bias with Congressional Speeches [0.3062386594262859]
  私たちは、2つのイデオロギー的に多様なソーシャルメディアフォーラム、GabとTwitterで、政治的偏見を研究するための機械学習アプローチを提供します。 提案手法は,米国議会の政治演説から収集したテキストを用いて,そのデータをラベル付けする手法である。 また、カスケードとテキストの特徴を組み合わせて、カスケードの政治的偏見を約85%の精度で予測する機械学習アプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-18T21:15:21Z)
• Analyzing Political Bias and Unfairness in News Articles at Different Levels of Granularity [35.19976910093135]
  本論文では, 偏見の自動検出だけでなく, 政治的偏見や不公平さが言語的にどのように表現されるかについても検討する。 我々は,adfontesmedia.comから派生したラベル付き6964ニュース記事の新しいコーパスを活用し,バイアス評価のためのニューラルモデルを開発した。
  論文  参考訳（メタデータ） (2020-10-20T22:25:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。