論文の概要: AutoJourn: Multi-Perspective Summarisation, Bias Detection and Bias Neutralisation for LLM-Generated News in Automated Journalism
- arxiv url: http://arxiv.org/abs/2607.18983v1
- Date: Tue, 21 Jul 2026 11:18:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.400678
- Title: AutoJourn: Multi-Perspective Summarisation, Bias Detection and Bias Neutralisation for LLM-Generated News in Automated Journalism
- Title（参考訳）: AutoJourn: 自動ジャーナリズムにおけるLPM生成ニュースのマルチパースペクティブ要約、バイアス検出、バイアスニュートラル化
- Abstract要約: 大規模言語モデル(LLM)を用いたマルチパースペクティブニュース生成とバイアス認識評価のためのデモシステムであるAutoJournを提案する。
このシステムは、非構造化ソーシャルメディアの議論から多様な視点を抽出し、視点の多様性を維持する要約を生成し、AIが生成するニュースのバイアスを検知または緩和する。
ライブで一般公開されたデモは、社会に責任のある自動化ジャーナリズムの促進と研究を促進するために論文に付属している。
- 参考スコア（独自算出の注目度）: 3.354358520156266
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present AutoJourn, a demonstration system for multi-perspective news generation and bias-aware evaluation using large language models (LLMs). The system tackles three core challenges in responsible automated journalism: extracting diverse perspectives from unstructured social media discussions, generating summaries that preserve viewpoint diversity, and detecting or mitigating bias in AI-generated news. The pipeline integrates advanced prompt engineering with optional retrieval augmentation to produce semantically diverse perspective sets, a multi-perspective summarisation module that merges conflicting viewpoints into balanced summaries, and a bias analysis suite supporting sentence-level bias detection and type classification in the generated news article, and automatic neutralisation. Users can inspect perspective clusters, compare stance-specific summaries, generate news articles, and apply bias-aware rewrites directly in the interface. We evaluate each component with intrinsic metrics -- semantic diversity, summary quality, and bias reduction and show improvements over strong baselines while maintaining content fidelity. A live, publicly accessible demo accompanies the paper to facilitate reproducibility and further research on socially responsible automated journalism.
- Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)を用いたマルチパースペクティブニュース生成とバイアス認識評価のためのデモシステムであるAutoJournを提案する。
このシステムは、非構造化ソーシャルメディアの議論から多様な視点を抽出し、視点の多様性を維持する要約を生成し、AIが生成するニュースのバイアスを検知または緩和する。
パイプラインは、高度なプロンプトエンジニアリングとオプションの検索拡張と、意味的に多様な視点セットを生成するためのオプションの検索拡張と、矛盾する視点をバランスの取れた要約にマージする多視点要約モジュールと、生成されたニュース記事における文レベルのバイアス検出と型分類をサポートするバイアス分析スイートと、自動中和を行う。
ユーザはパースペクティブクラスタを検査し、スタンス固有の要約を比較し、ニュース記事を生成し、インターフェイスに直接バイアス対応の書き直しを適用することができる。
本研究は,各コンポーネントを意味的多様性,要約品質,バイアス低減など固有の指標で評価し,内容の忠実さを維持しつつ,強靭なベースラインよりも改善したことを示す。
ライブで一般公開されたデモは、再現性を促進し、社会的に責任を負う自動ジャーナリズムの研究を促進するために論文に付随する。
関連論文リスト
- When Bigger Isn't Better: A Comprehensive Fairness Evaluation of Political Bias in Multi-News Summarisation [29.441760068089508]
複数文書のニュース要約システムは、視点の不平等な表現、特定の視点への不均等な強調、少数派の声の体系的な過小評価を通じて、政治的偏見を示すことができる。
本研究は、FairNewsを用いて、多文書ニュース要約におけるそのようなバイアスの包括的評価を行う。
論文 参考訳（メタデータ） (2026-04-23T06:03:24Z) - ZoFia: Zero-Shot Fake News Detection with Entity-Guided Retrieval and Multi-LLM Interaction [14.012874564599272]
ZoFiaは、2段階のゼロショットフェイクニュース検出フレームワークである。
まず,ニュースコンテンツにおけるエンティティの重要性を定量化するために階層的サリエンスを導入する。
そこで我々はSC-MMRアルゴリズムを提案し,情報的かつ多様なキーワード群を効果的に選択する。
論文 参考訳（メタデータ） (2025-11-03T03:29:42Z) - ScoreRAG: A Retrieval-Augmented Generation Framework with Consistency-Relevance Scoring and Structured Summarization for News Generation [0.0]
現在のニュース生成手法は、幻覚、事実的矛盾、ドメイン固有の専門知識の欠如に苦慮している。
ScoreRAGは、検索拡張生成、一貫性関連性評価、構造化要約を組み合わせた多段階フレームワークを通じて、これらの課題に対処する。
論文 参考訳（メタデータ） (2025-06-04T08:35:06Z) - Unmasking Conversational Bias in AI Multiagent Systems [1.0705399532413618]
生成モデルを含むマルチエージェントシステムで生じる可能性のあるバイアスは、未研究のままである。
本稿では,対話型大規模言語モデルのマルチエージェントシステムにおけるバイアスの定量化を目的としたフレームワークを提案する。
エコーチャンバー実験で観測されたバイアスは、現在最先端のバイアス検出法で検出されていない。
論文 参考訳（メタデータ） (2025-01-24T09:10:02Z) - On the Fairness, Diversity and Reliability of Text-to-Image Generative Models [68.62012304574012]
マルチモーダル生成モデルは 信頼性 公正性 誤用の可能性について 批判的な議論を巻き起こしました
埋め込み空間におけるグローバルおよびローカルな摂動に対する応答を解析し、モデルの信頼性を評価するための評価フレームワークを提案する。
提案手法は, 信頼できない, バイアス注入されたモデルを検出し, 組込みバイアスの証明をトレースするための基礎となる。
論文 参考訳（メタデータ） (2024-11-21T09:46:55Z) - 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) - Prompt-and-Align: Prompt-Based Social Alignment for Few-Shot Fake News
Detection [50.07850264495737]
プロンプト・アンド・アライン(Prompt-and-Align、P&A)は、数発のフェイクニュース検出のための新しいプロンプトベースのパラダイムである。
我々はP&Aが、数発のフェイクニュース検出性能をかなりのマージンで新たな最先端に設定していることを示す。
論文 参考訳（メタデータ） (2023-09-28T13:19:43Z) - Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。
まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。
次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
論文 参考訳（メタデータ） (2023-09-02T00:32:55Z) - 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) - Mitigating Media Bias through Neutral Article Generation [39.29914845102368]
既存の緩和作業は、複数のニュースアウトレットからの記事を表示し、多様なニュースカバレッジを提供しますが、表示された各記事に固有のバイアスを中和しません。
我々は,複数の偏りのある記事から単一の中性化記事を生成する新しいタスクを提案し,バランスのとれた情報や偏りのない情報へのアクセスをより効率的にする。
論文 参考訳（メタデータ） (2021-04-01T08:37:26Z) - VMSMO: Learning to Generate Multimodal Summary for Video-based News
Articles [63.32111010686954]
マルチモーダル出力(VMSMO)を用いたビデオベースマルチモーダル要約の課題を提案する。
このタスクの主な課題は、ビデオの時間的依存性と記事の意味を共同でモデル化することである。
本稿では,デュアルインタラクションモジュールとマルチモーダルジェネレータからなるDual-Interaction-based Multimodal Summarizer (DIMS)を提案する。
論文 参考訳（メタデータ） (2020-10-12T02:19:16Z)
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。