透明度与准确性的平衡：基于规则模型与深度学习模型在政治偏见分类中的比较分析
计算与语言
2024-11-08 v1
摘要
无限制的数字信息传播，结合日益加剧的政治极化以及个人倾向于孤立自己免受反对政治观点的影响，推动研究人员开发用于自动检测媒体中政治偏见的系统。这一趋势得到社交媒体讨论的进一步推动。我们探索了对美国新闻文章进行偏见分类的方法，比较了基于规则的方法和深度学习方法。该研究突出了现代自学习系统对不受约束的数据摄取的敏感性，同时重新考视了传统基于规则系统的优势。将两种模型应用于左倾（CNN）和右倾（FOX）新闻文章，我们评估了它们在数据之外的原始训练和测试集上的有效性。这一分析突出了每个模型的准确性，提供了探索深度学习可解释性的框架，揭示了美国新闻媒体中的政治偏见。我们对比了深度学习模型的不透明体系结构与基于语言学信息的基于规则模型的透明性，显示出基于规则的模型在不同数据条件下表现出色且提供更大的透明度，而深度学习模型取决于训练集，难以处理未见数据。
引用
@article{arxiv.2411.04328,
title = {Balancing Transparency and Accuracy: A Comparative Analysis of Rule-Based and Deep Learning Models in Political Bias Classification},
author = {Manuel Nunez Martinez and Sonja Schmer-Galunder and Zoey Liu and Sangpil Youm and Chathuri Jayaweera and Bonnie J. Dorr},
journal= {arXiv preprint arXiv:2411.04328},
year = {2024}
}