机器学习与数据驱动新闻学的结合：促进新闻报道的国际理解与透明度
机器学习
2016-06-17 v1 计算机与社会
摘要
移民危机、气候变化或避税天堂：全球性挑战需要全球性解决方案。但若缺乏共同的讨论基础，就很难就联合方案达成一致。公共领域高度碎片化，因为新闻主要在国家层面上生产和接收。由于新闻的巨大数量和语言障碍，获取关于重要问题的国际辩论的全球视野受到阻碍。媒体分析通常仅关注定性研究。在本立场声明中，我们认为必须汇集机器学习、新闻学和统计学的方法，以跨接国际公共领域的碎片化数据，并以跨大西洋贸易与投资伙伴关系（TTIP）为案例进行研究。
引用
@article{arxiv.1606.05110,
title = {Machine Learning meets Data-Driven Journalism: Boosting International Understanding and Transparency in News Coverage},
author = {Elena Erdmann and Karin Boczek and Lars Koppers and Gerret von Nordheim and Christian Pölitz and Alejandro Molina and Katharina Morik and Henrik Müller and Jörg Rahnenführer and Kristian Kersting},
journal= {arXiv preprint arXiv:1606.05110},
year = {2016}
}
备注
presented at 2016 ICML Workshop on #Data4Good: Machine Learning in Social Good Applications, New York, NY