The Media Bias Taxonomy: A Systematic Literature Review on the Forms and Automated Detection of Media Bias

要約

メディアが出来事を伝える方法は、一般の人々の認識に大きな影響を与える可能性があり、それがひいては人々の信念や見方を変える可能性があります。
メディア バイアスは、トピックに対する一方的な視点または二極化した視点を表します。
この記事は、2019 年から 2022 年の間に発表された 3,140 件の研究論文を系統的にレビューすることにより、メディア バイアスを検出するための計算手法に関する研究を要約したものです。レビューを構造化し、研究領域全体にわたるバイアスの相互理解を支援するために、一貫した情報を提供するメディア バイアス分類法を紹介します。
さまざまな観点からメディアバイアスに関する研究の現状を概観します。
私たちは、メディア バイアス検出が非常に活発な研究分野であり、トランスベースの分類アプローチが近年大幅な改善につながっていることを示します。
これらの改善には、より高い分類精度と、より細かい種類のバイアスを検出する機能が含まれます。
しかし、既存のプロジェクトには学際性が欠如しており、メディア バイアス検出システムの方法論的に徹底的なパフォーマンス評価をサポートするには、さまざまな種類のメディア バイアスをさらに認識する必要があることがわかりました。
私たちの分析の結論として、私たちは、最近の機械学習の進歩と、他の研究分野からの信頼できる多様なバイアス評価戦略との統合が、この分野における将来の研究貢献にとって最も有望な分野であると考えています。

要約(オリジナル)

The way the media presents events can significantly affect public perception, which in turn can alter people’s beliefs and views. Media bias describes a one-sided or polarizing perspective on a topic. This article summarizes the research on computational methods to detect media bias by systematically reviewing 3140 research papers published between 2019 and 2022. To structure our review and support a mutual understanding of bias across research domains, we introduce the Media Bias Taxonomy, which provides a coherent overview of the current state of research on media bias from different perspectives. We show that media bias detection is a highly active research field, in which transformer-based classification approaches have led to significant improvements in recent years. These improvements include higher classification accuracy and the ability to detect more fine-granular types of bias. However, we have identified a lack of interdisciplinarity in existing projects, and a need for more awareness of the various types of media bias to support methodologically thorough performance evaluations of media bias detection systems. Concluding from our analysis, we see the integration of recent machine learning advancements with reliable and diverse bias assessment strategies from other research areas as the most promising area for future research contributions in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google