打破偏见：一种基于上下文的多模态框架，用于检测和消除新闻中的意识形态偏见

《ACM Transactions on Knowledge Discovery from Data》：Breaking Bias: A Context-Aware Multimodal Framework for Detecting and Neutralizing Ideological Bias in News

媒体措辞偏见导致公众认知极化，CANDOR框架通过整合意识形态敏感文本表征和跨模态上下文向量提升偏见检测与中和效果，在ALLSIDES数据集上准确率提升4.13%-12.67%，内容保留增强且优于现有模型，人工评估验证其有效性。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

媒体偏见，特别是用词选择上的偏见，会影响公众的看法，并导致意见两极分化。这些偏见往往很微妙且与上下文无关，会侵蚀人们的信任，甚至危及社会秩序。检测和消除此类偏见仍然是一个挑战，因为现有的基于特征和神经网络的模型无法捕捉到复杂的意识形态倾向，尤其是在动态新闻环境中。为了解决这个问题，我们提出了一个多模态框架< />，以检测和减轻媒体偏见。CANDOR结合了具有意识形态意识的文本表示和来自视觉和文本数据的上下文向量，以提高偏见检测和消除的效果。该框架利用了BIASLENS（一种新颖的预训练目标函数），该函数用于对比具有不同意识形态的同一主题文章，以及VT-CT（一种视觉-文本上下文转换器）来丰富上下文嵌入。CANDOR能够检测出具有争议性的句子，提取意识形态偏见，并在保持事实准确性的同时生成中立的内容。在像ALLSIDES这样的基准数据集上进行测试时，该框架在准确性方面提高了$4?13\%$%，在内容保留方面提高了$1?12\%$%，其性能优于现有的最先进模型。人类评估也证实了该框架在消除媒体偏见的同时能够保持文本的可读性。这项工作为减轻媒体偏见和促进平衡、客观的新闻报道迈出了重要一步。

AI摘要

要查看此由AI生成的简单语言摘要，您必须具有高级访问权限。