利用自然语言处理推断媒体偏见与内容质量

媒体偏见会显著影响群体中观点和情绪的形成与发展。因此，研究党派媒体和政治极化的出现与发展十分重要。然而，定量推断媒体的意识形态立场具有挑战性。在本文中，我们提出了一个定量框架，从文本中推断媒体的政治偏见和内容质量，并利用真实世界数据的实证实验说明了该框架。我们将双向长短期记忆（LSTM）神经网络应用于超过100万条推文的数据集，为每条推文生成二维的意识形态偏见与内容质量度量。然后，通过整合媒体推文的（偏见，质量）度量，我们推断出媒体机构的“媒体偏见图”，即（偏见，质量）坐标图。我们还应用了多种基线机器学习方法，如朴素贝叶斯方法和支持向量机（SVM），来推断每条推文的偏见和质量值。所有这些基线方法都基于词袋方法。我们发现LSTM网络方法在所考察的方法中性能最佳。我们的结果说明了在文本分析的机器学习方法中利用词序的重要性。