論文の概要: The World as Viewed by 136 Countries: An Open, Curated, Annotated, and Multilingual Dataset of 118 Million State Media Articles

• arxiv url: http://arxiv.org/abs/2610.24990v1
• Date: Sun, 18 Oct 2026 03:49:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:12:21.288226
• Title: The World as Viewed by 136 Countries: An Open, Curated, Annotated, and Multilingual Dataset of 118 Million State Media Articles
• Title（参考訳）: 136か国で見る世界:1億1800万のステートメディア記事のオープン、キュレーション、注釈、多言語データセット
• Abstract要約: WorldStateMediaは、114言語136カ国の1億1800万のステートメディア記事のオープンデータセットである。 イギリスでは、2013年の39%から2025年には93%に増加した。 いくつかの低リソース言語では、国営メディアは、ウイグル語では17.8%、ベラルーシ語では7.8%など、全てのウェブデータのかなりの割合を占めている。
• 参考スコア（独自算出の注目度）: 59.22328693159312
• License:
• Abstract: State media outlets often project their governments' narratives to target both domestic and foreign audiences. Because this content is plentiful and free to access, it appears widely in the web corpora that large language models (LLMs) are trained on and that retrieval systems draw from. However, the prevalence of state media in these corpora and its potential influence on LLM outputs remain largely unexplored. In this paper, we introduce WorldStateMedia, an open dataset of 118 million state media articles from 136 countries in 114 languages. We extract these articles from existing pretraining corpora and annotate each outlet with level of state control from State Media Monitor. Using WorldStateMedia to audit these corpora, we find that, in English web crawls, the share of state media pages from editorially controlled (vs. independent) outlets rose from 39% in 2013 to 93% in 2025. In several low-resource languages, state media make up a substantial share of all web data, such as 17.8% for Uyghur and 7.8% for Belarusian. To characterize the differing narratives of news outlets, we compare Russian and Ukrainian state media in English and in their native languages, revealing asymmetric topical focus and opposing framings of contested issues such as Crimea. Furthermore, in a retrieval-augmented generation (RAG) experiment on territorial disputes, retrieving a country's state media shifts model answers toward that country's claims, most strongly for English-language (foreign-targeted) media. We release WorldStateMedia to support multilingual, cross-national insights on state media at https://huggingface.co/collections/manestay/worldstatemedia
• Abstract（参考訳）: 国営メディアは、国内外の観客の両方をターゲットとして、政府の物語を投影することが多い。 この内容は豊富で自由にアクセスできるため、ウェブコーパスでは大きな言語モデル(LLM)が訓練され、検索システムがそこから引き出されることが広く見られる。 しかし、これらのコーパスにおける状態媒体の流行とLLM出力に対する潜在的影響は、いまだに未解明のままである。 本稿では,114ヶ国136ヶ国のメディア記事1億1800万件のオープンデータセットであるWorldStateMediaを紹介する。 既存の事前学習コーパスからこれらの項目を抽出し,ステートメディアモニターから各コンセントにアノテートする。 これらのコーパスを監査するためにWorldStateMediaを使用すると、英語のWebクローラでは、2013年の39%から2025年には93%に増加した。 いくつかの低リソース言語では、国営メディアは、ウイグル語では17.8%、ベラルーシ語では7.8%など、全てのウェブデータのかなりの割合を占めている。 ニュースメディアの異なる物語を特徴付けるために、ロシアとウクライナの国営メディアを英語と母国語で比較し、非対称な話題の焦点とクリミアのような対立する問題の枠組みを明らかにする。 さらに、領土紛争に関する検索強化世代(RAG)の実験では、国のメディアが、その国の主張に対する回答をモデルシフトさせる。 We release WorldStateMedia to support multilingual, cross-national insights on state media at https://huggingface.co/collections/manestay/worldstatemedia

関連論文リスト

• How Loud Rumbles Hit Newsstands: A Data Analysis of Coverage and Spatial Bias in German News about Landslides Around the World [4.607829363710452]
  この論文は、ドイツの新聞で世界中の地すべりがいかに報じられているかに焦点を当てている。 25年間に550万件のニュースイベントについて、約60万件のニュース記事を分析した。
  論文  参考訳（メタデータ） (2026-05-18T09:17:05Z)
• The Shapes of the Fourth Estate During the Pandemic: Profiling COVID-19 News Consumption in Eight Countries [11.9136268069059]
  各国の異なるメディアに対する聴衆の政治的傾きの分布も測定する。 対象は,8カ国の地理的なユーザ,各国のプロファイル型ユーザの分布,および複数の国間のインタラクションを持つブリッジ型ユーザの分析である。 本研究は,メディアドメインからURLを共有するユーザの傾きスコアを平均化することにより,メディアバイアスの新たなセットに寄与する。
  論文  参考訳（メタデータ） (2023-08-02T22:00:37Z)
• Unveiling Global Narratives: A Multilingual Twitter Dataset of News Media on the Russo-Ukrainian Conflict [5.0337106694127725]
  ロシアとウクライナの紛争は世界中で激しいメディア報道の対象となっている。 ソーシャルメディア上でニュースやメディアが投稿したつぶやきを収集・処理することで,この話題に焦点を当てた新たなマルチメディアデータセットを提案する。 私たちは2022年2月から2023年5月までのツイートを収集し、60の言語で約150万のツイートとそれらの画像を取得しました。
  論文  参考訳（メタデータ） (2023-06-22T13:52:31Z)
• Bias or Diversity? Unraveling Fine-Grained Thematic Discrepancy in U.S. News Headlines [63.52264764099532]
  われわれは、2014年から2022年までの米国の主要メディアから、180万件のニュース記事の大規模なデータセットを使用している。 我々は、国内政治、経済問題、社会問題、外交の4つの主要なトピックに関連する、きめ細かいテーマの相違を定量化する。 以上の結果から,国内政治や社会問題においては,一定のメディア偏見が原因であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-28T03:31:37Z)
• Partial Mobilization: Tracking Multilingual Information Flows Amongst Russian Media Outlets and Telegram [5.161088104035108]
  我々は、2022年を通して、ロシアの16のメディアが732のTelegramチャンネルとどのように対話し、利用したかを調査した。 我々は、ニュースメディアがTelegramを通じて既存の物語を広めるだけでなく、メッセージプラットフォームから資料を発信していることを示す。 例えば、我々の研究のウェブサイト全体では、2.3%(ura.news)から26.7%(ukraina.ru)までの記事がTelegram上での活動から生まれたり反したりした内容について論じている。
  論文  参考訳（メタデータ） (2023-01-25T22:27:40Z)
• 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)
• Making a MIRACL: Multilingual Information Retrieval Across a Continuum of Languages [62.730361829175415]
  MIRACLは、WSDM 2023 Cupチャレンジのために構築した多言語データセットです。 18の言語にまたがるアドホック検索に焦点を当てている。 我々の目標は、言語連続体における検索を改善する研究を加速させることです。
  論文  参考訳（メタデータ） (2022-10-18T16:47:18Z)
• Characterizing and Comparing COVID-19 Misinformation Across Languages, Countries and Platforms [4.394522448038107]
  新型コロナウイルスに関する誤報が世界中のソーシャルメディアに広まっている。 本研究では、複数の言語におけるソーシャルメディア上の新型コロナウイルスの誤情報について検討する。
  論文  参考訳（メタデータ） (2020-10-13T15:10:26Z)

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。