面向新闻立场检测的 journalism-guided 智能体式类情境学习

随着在线新闻消费的增长，个人化推荐系统已成为数字新闻传播的核心。然而，这些系统可能通过未融合多元视角而加剧滤泡和政治极化。立场检测——识别文本相对于目标的立场——可帮助缓解这一问题，通过实现基于视角的推荐和数据驱动的媒体偏见分析。然而，现有的立场检测研究主要局限于短文本和高资源语言。为此，我们提出了 \textsc{K-News-Stance}，第一个面向文章级立场检测的韩语数据集，包含 2000 篇新闻文章，涵盖 47 个社会议题的文章级和 21650 条段落级立场标注。我们还提出了 \textsc{JoA-ICL} 框架，该框架采用语言模型智能体预测关键结构段落（如导语、引语）的立场，然后聚合这些立场以推断整篇文章的立场。实验表明，\textsc{JoA-ICL} 优于现有的立场检测方法，凸显了在捕捉长篇新闻文章整体位置方面，段落级智能体优势。进一步的两个案例研究进一步展示了其在促进新闻推荐中的视角多样性以及揭示媒体偏见模式方面的更广泛用途。