利用极性最小化损失缓解框架偏见
计算与语言
2023-11-06 v1
摘要
框架偏见通过扭曲对真实事件的认知，在加剧政治极化方面起着重要作用。具有不同政治立场的媒体机构在报道同一事件时，常使用极化语言。我们提出了一种新的损失函数，鼓励模型最小化极化输入文章之间的极性差异，以减少框架偏见。具体而言，我们的损失函数旨在联合优化模型，以双向映射极性两端。实验结果表明，与基于 BART 的多文档摘要模型相比，引入所提出的极性最小化损失可大幅降低框架偏见。值得注意的是，我们发现当模型被训练为最小化与信息性框架偏见（即报道信息选择的偏斜）相关的极性损失时，该方法的有效性最为显著。
引用
@article{arxiv.2311.01817,
title = {Mitigating Framing Bias with Polarity Minimization Loss},
author = {Yejin Bang and Nayeon Lee and Pascale Fung},
journal= {arXiv preprint arXiv:2311.01817},
year = {2023}
}
备注
11 pages, EMNLP2023