Mitigating Framing Bias with Polarity Minimization Loss

要約

フレーミング・バイアスは、実際の出来事の認識を歪めることで、政治的偏向を悪化させる重要な役割を果たしている。政治的スタンスが異なるメディアは、同じ事象を報道する際に極論的な表現を用いることが多い。我々は、フレーミングバイアスを低減するために、極性化された入力記事間の極性差を最小化するようにモデルを促す新しい損失関数を提案する。具体的には、我々の損失は、極性の両端を双方向に対応付けるようにモデルを共同最適化するように設計されている。我々の実験結果は、提案する極性最小化損失を組み込むことで、BARTベースの複数文書要約モデルと比較して、フレーミングバイアスの大幅な減少につながることを示す。特に、情報フレーミングバイアス（報告する情報の偏った選択）に関連する極性損失を最小化するようにモデルを訓練した場合に、このアプローチの有効性が最も顕著になることが分かる。

要約(オリジナル)

Framing bias plays a significant role in exacerbating political polarization by distorting the perception of actual events. Media outlets with divergent political stances often use polarized language in their reporting of the same event. We propose a new loss function that encourages the model to minimize the polarity difference between the polarized input articles to reduce framing bias. Specifically, our loss is designed to jointly optimize the model to map polarity ends bidirectionally. Our experimental results demonstrate that incorporating the proposed polarity minimization loss leads to a substantial reduction in framing bias when compared to a BART-based multi-document summarization model. Notably, we find that the effectiveness of this approach is most pronounced when the model is trained to minimize the polarity loss associated with informational framing bias (i.e., skewed selection of information to report).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL