NeuS：用于缓解框架偏差的中立多新闻摘要
计算与语言
2022-05-04 v3
摘要
媒体新闻的框架偏差会加剧政治极化并损害公民社会，因此对于自动缓解方法的需求日益增长。我们提出一项新任务：从具有不同政治倾向的多个新闻文章中生成中立摘要，以促进平衡且无偏见的新闻阅读。本文中，我们首先收集了一个新数据集，通过案例研究阐明关于框架偏差的见解，并为该任务提出了一种有效的新指标与模型（NeuS-TITLE）。基于标题为框架偏差提供良好信号的发现，我们提出 NeuS-TITLE，其学习以从标题到文章的分层顺序中立化新闻内容。我们的分层多任务学习通过将分层数据对（标题，文章）以标识符令牌（“TITLE=>”、“ARTICLE=>”）顺序格式化，并以标准负对数似然目标微调自回归解码器来实现。随后我们分析并指出了剩余挑战与未来方向。最有趣的观察之一是，神经 NLG 模型不仅可能产生事实不准确或不可验证内容的幻觉，还可能产生政治偏见内容的幻觉。
引用
@article{arxiv.2204.04902,
title = {NeuS: Neutral Multi-News Summarization for Mitigating Framing Bias},
author = {Nayeon Lee and Yejin Bang and Tiezheng Yu and Andrea Madotto and Pascale Fung},
journal= {arXiv preprint arXiv:2204.04902},
year = {2022}
}
备注
NAACL2022 Long Paper