NewsLens: A Multi-Agent Framework for Adversarial News Bias Navigation
Independent Researcher(独立研究者)
本文提出NewsLens多智能体框架,通过五个智能体协作解构新闻文章,揭示意识形态缺失、修辞操纵和框架边界,利用Qwen2.5-3B-Instruct和Mistral 7B模型进行评估,展示了系统在不同政治事件簇中的表现。
2026-05-17 cs.CL cs.IR
Can We Spot the "Fake News" Before It Was Even Written?
Qatar Computing Research Institute, HBKU(卡塔尔计算研究所,哈马德·本·哈利法大学)
鉴于最近网上虚假信息的泛滥,自动揭穿谣言、虚假声明和“假新闻”的研究兴趣也越来越大。“到目前为止,已经启动了一些人工和自动的事实核查举措,但整个企业仍然处于危机状态:当一项索赔最终得到事实核查时,它可能已经到达数百万用户,造成的伤害几乎无法挽回。一个可以说更有希望的方向是专注于对整个新闻媒体进行事实核查,这可以提前完成。然后,我们可以在新闻被写出来之前就对它进行事实核查:通过检查发布它的媒体有多可信。我们描述了我们如何在Tanbih新闻聚合器中做到这一点,这使得读者知道他们正在阅读的内容。特别是,我们开发媒体简介,显示报道的一般真实性,宣传内容的程度,超党派,主要的政治意识形态,报道的一般框架,以及对各种主张和主题的立场。
2020-08-10 cs.CL cs.IR cs.LG
NELA-GT-2022: A Large Multi-Labelled News Dataset for The Study of Misinformation in News Articles
Rensselaer Polytechnic Institute(伦斯勒理工学院);The University of Tennessee Knoxville(田纳西大学诺克斯维尔分校)
在本文中,我们介绍了NELA-GT数据集的第五部分NELA-GT-2022。该数据集包含2022年1月1日至2022年12月31日期间来自361个网点的1,778,361篇文章。就像过去发布的数据集一样,NELA-GT-2022包括来自媒体偏见/事实检查的出口级别的真实性标签和嵌入在收集的新闻文章中的推文。NELA-GT-2022数据集可在https://doi.org/10.7910/DVN/AMCV2H上找到
2023-03-17 cs.CL cs.CY cs.LG
Multilingual Coarse Political Stance Classification of Media. The Editorial Line of a ChatGPT and Bard Newspaper
DFKI GmbH, Saarland Informatics Campus(德国人工智能研究中心(DFKI)有限公司,萨尔兰信息学园区)
本研究构建了一个多语种新闻语料库来训练立场分类器,发现ChatGPT生成的新闻文章编辑路线随时间演变,且其立场在不同语言间存在差异。
2023-10-25 cs.AI cs.CL cs.CY
A Survey on Predicting the Factuality and the Bias of News Media
Qatar Computing Research Institute, HBKU(卡塔尔 computing 研究所,哈马德·本·哈利法大学);Singapore Management University(新加坡管理大学)
目前网上虚假、有偏见和宣传性内容的泛滥程度使得人工或自动对每一个可疑的声明或文章进行事实核查成为不可能。因此,许多研究人员正在将注意力转移到更高的粒度,旨在分析整个新闻媒体,这使得通过简单地检查其来源的可靠性就可以在发布的那一刻检测到可能的“假新闻”。来源真实性也是自动事实核查和“假新闻”检测系统的一个重要因素,因为它们需要评估在线检索证据的可靠性。政治偏见检测在西方政治格局中是关于预测左中右偏见的,这是一个同样重要的话题,它经历了类似的转变,转向分析整个新闻媒体。此外,这两者之间有着明显的联系,因为高度偏见的媒体不太可能是真实的;然而,这两个问题却被分开处理。在这项调查中,我们回顾了媒体分析的真实性和偏见的最新技术,认为有必要共同建模。我们进一步讨论了在使用不同的信息源和模式,这超出了目标新闻媒体发表的文章的文本有趣的最新进展。最后,我们讨论了当前的挑战,并概述了未来的研究方向。
2021-03-16 cs.CL cs.SI
Framing by Wording, Framing by Selection: A Large-Scale Two-Dimensional Audit of French News Headlines, 2022-2025
Le French News Lab(法国新闻实验室)
针对2022-2025年法国新闻标题,提出二维框架分离措辞与选择框架,基于10,000条监督集和25家媒体90万+标题,发现显著性估计偏差并揭示群体显著性不平等,为最大规模法语标题审计。
2026-09-25 cs.CL
You're Not Gonna Believe This: A Computational Analysis of Factual Appeals and Sourcing in Partisan News
Hebrew University of Jerusalem(耶路撒冷希伯来大学)
本文利用 FactAppeal 框架对比分析 CNN 与 Fox News 超过 47 万篇文章,发现两家媒体在事实陈述和信源引用上采用截然不同的认知策略,为媒体偏见研究提供了新维度。
2025-10-12 cs.CL
GREENER: Graph Neural Networks for News Media Profiling
Sofia University(索非亚大学);TIET;QCRI, HBKU(卡塔尔计算研究所,哈马德·本·哈利法大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
我们研究的问题,分析新闻媒体在网络上的报道和偏见的真实性。这是一个与虚假信息和“假新闻”检测相关的重要但未得到充分研究的问题,但与查看单个文章或单个声明相比,它以更粗的粒度解决了这个问题。这是有用的,因为它允许提前分析整个媒体渠道。不像以前的工作,主要集中在文本(例如,~在目标网站发布的文章的文本上,或者在其社交媒体配置文件或维基百科中的文本描述上),这里我们的主要重点是基于其受众的重叠对媒体之间的相似性进行建模。这是出于同质性的考虑,即,~人们倾向于与具有相似兴趣的人建立联系,我们将其扩展到媒体,假设类似类型的媒体会被类似类型的用户阅读。特别是,我们提出了GREENER(GRAPH神经网络的新闻媒体pRofiling),一个模型,建立一个图的媒体间的连接的基础上,他们的观众重叠,然后使用图神经网络来表示每个媒体。我们发现,这种表示对于预测新闻媒体的真实性和偏见非常有用,在两个数据集上报告的最先进的结果上有所改进。当增加传统使用的表示从新闻文章,Twitter,YouTube,Facebook和维基百科,预测精度被发现提高了2.5-27宏观F1点的两个任务。
2022-11-10 cs.AI cs.CL cs.LG
What Was Written vs. Who Read It: News Media Profiling Using Text Analysis and Social Media Context
University of Cambridge(剑桥大学);Qatar Computing Research Institute(卡塔尔计算研究所);Sofia University(索非亚大学)
预测整个新闻媒体报道的政治偏见和真实性是媒体分析的关键要素,这是一个研究不足但越来越重要的研究方向。目前网上虚假、有偏见和宣传性内容的泛滥程度,使得人工或自动对每一个可疑的说法进行事实核查成为不可能。或者,我们可以分析整个新闻媒体,并寻找那些可能发布虚假或有偏见内容的媒体。这种方法可以在发布时检测出可能的“假新闻”,只需检查其来源的可靠性。从实践的角度来看,政治偏见和报道的真实性既有语言方面的原因,也有社会背景的原因。在这里,我们研究两者的影响,即(i)写了什么(即,目标媒体发布了什么,以及它如何在Twitter上描述自己)与(ii)谁阅读了它(即,分析Facebook、Twitter和YouTube上目标媒体的读者)。我们进一步研究(三)什么是写在维基百科上的目标媒体。评估结果表明,所写的内容最重要,将所有信息源放在一起会产生比当前最先进技术水平的巨大改进。
2020-05-09 cs.CL cs.IR cs.LG
A Longitudinal, Multinational, and Multilingual Corpus of News Coverage of the Russo-Ukrainian War
本文介绍DNIPRO语料库,包含24.6万篇俄乌战争新闻,涵盖五国和三种语言,提供详尽元数据和人工标注,用于分析地缘政治叙事差异、媒体框架和信息战。
2026-03-12 cs.CL cs.SI
Disentangling Structure and Style: Political Bias Detection in News by Inducing Document Hierarchy
KAIST AI(韩国科学技术院人工智能学院);KAIST Moon Soul Graduate School of Future Strategy(韩国科学技术院文术未来战略研究生院)
本文提出一种多头层级注意力模型,通过同时建模句子语义和文档修辞结构,实现与写作风格无关的新闻政治偏见检测,并在稳健性和准确性上优于已有方法。
2023-10-27 cs.CL cs.LG
Retain or Reframe? A Computational Framework for the Analysis of Framing in News Articles and Reader Comments
School of Computing and Information Systems, The University of Melbourne(计算与信息系统学院,墨尔本大学)
该研究提出首个跨新闻文章与读者评论的大规模框架构建分析计算框架,优化标签并实现框架重构与内容对齐,实验发现评论框架复用度跨媒体高度相关,同时发布了相关分类器与数据集。
2025-10-01 cs.CL
Viable Threat on News Reading: Generating Biased News Using Natural Language Models
Indraprastha Institute of Information Technology - Delhi(德里英迪拉普拉斯信息技术学院);National Institute of Informatics(国立信息学研究所);The Graduate University for Advanced Studies, SOKENDAI(综合研究大学院大学);University of Tokyo(东京大学)
自然语言生成的最新进展引起了严重的关注。高性能的语言模型被广泛用于语言生成任务,因为它们能够生成流畅和有意义的句子。这些模型已经被用来制造假新闻。它们也可以被利用来生成有偏见的新闻,然后可以用来攻击新闻聚合器,以改变读者的行为并影响他们的偏见。在本文中,我们使用一个威胁模型来证明,公开可用的语言模型可以可靠地生成有偏见的新闻内容的基础上输入的原始新闻。我们还表明,大量的高质量的有偏见的新闻文章可以使用可控的文本生成。80名参与者的主观评价表明,生成的有偏见的新闻通常是流畅的,24名参与者的偏见评价表明,偏见(左或右)通常在生成的文章中很明显,可以很容易地识别。
2020-10-05 cs.CL cs.CY cs.SI
From Perceptions To Evidence: Detecting AI-Generated Content In Turkish News Media With A Fine-Tuned Bert Classifier
Bernoulli Institute University of Groningen(格罗宁根大学伯努利研究所)
本研究利用微调的土耳其BERT模型,首次实证测量土耳其新闻媒体中AI生成内容的使用情况,实现了高准确率的分类和检测。
2026-02-13 cs.AI cs.CL
Automatic Detection of Fake News
University of Michigan(密歇根大学);University of Amsterdam(阿姆斯特丹大学)
误导性信息在社交媒体、新闻博客和在线报纸等日常访问媒体渠道中的扩散,使得识别值得信赖的新闻来源变得具有挑战性,从而增加了对能够提供对在线内容可靠性的见解的计算工具的需求。本文主要研究网络新闻中虚假内容的自动识别问题。我们的贡献是双重的。首先,我们介绍了两个用于假新闻检测任务的新数据集,涵盖了七个不同的新闻领域。我们详细描述了收集,注释和验证过程,并提出了几个探索性的分析,在虚假和合法的新闻内容的语言差异的识别。其次,我们进行了一系列学习实验,以构建准确的假新闻检测器。此外,我们提供了自动和人工识别假新闻的比较分析。
2017-08-23 cs.CL
Does Welsh media need a review? Detecting bias in Nation.Cymru's political reporting
University of Cambridge, Cambridge, United Kingdom(剑桥大学)
本文通过计算方法检测威尔士媒体中的偏见,发现Reform UK的报道偏见程度显著高于Plaid Cymru,为威尔士媒体审查提供依据。
2026-04-22 cs.CL
Conflict or Strategy? Asymmetric Role Framing of La France insoumise and Rassemblement National in French News Headlines, 2022-2025
Le French News Lab(法国新闻实验室)
该研究分析2022-2025年法国25家媒体28592条头条,发现新闻对LFI和RN的角色框架不对称,建立分层可靠性框架校准LLM政治文本标注流水线。
2026-08-12 cs.CL
Free Access to World News: Reconstructing Full-Text Articles from GDELT
Roma Tre University(罗马第三大学);University of Perugia(佩鲁贾大学)
本文提出了一种基于GDELT数据集的Python工具,以低成本重建全文新闻文章,提升新闻数据在多个学科中的应用价值。
2026-02-02 cs.CL cs.DB cs.IR
"Attention" for Detecting Unreliable News in the Information Age
Seernet Technologies, LLC(Seernet 技术有限责任公司)
不可靠的新闻是任何虚假或误导性的信息,故意传播以促进政治,意识形态和金融议程。最近,随着利用新闻和社交媒体进行宣传的数量迅速增加,不可靠新闻的问题引起了很多关注。这对社会构成了严重威胁,社会需要技术来自动可靠地识别不可靠的新闻来源。本文是在这个方向上作出的努力,建立系统检测不可靠的新闻文章。本文在Unreliable News Data 2017数据集上构建并评估了各种NLP算法。层次注意力网络(HAN)的变体的编码和分类的新闻文章,达到0.944 ROC AUC的最佳结果。最后,注意力层权重被可视化,以理解和洞察HAN做出的决策。所获得的结果是非常有前途的,令人鼓舞的部署和使用这些系统在现实世界中,以减轻不可靠的新闻的问题。
2017-11-03 cs.CL
GateNLP-UShef at SemEval-2022 Task 8: Entity-Enriched Siamese Transformer for Multilingual News Article Similarity
University of Sheffield(谢菲尔德大学)
本文介绍了SemEval-2022任务8:多语言新闻文章相似度排行榜上的第二名系统。我们提出了一个实体丰富的连体Transformer计算新闻文章相似度的基础上,不同的子维度,如共享的叙事,实体,地点和时间的事件中讨论的新闻文章。我们的系统利用暹罗网络架构,使用Transformer编码器来学习文档级表示,以捕获叙事以及从新闻文章中提取的基于辅助实体的特征。将所有这些特征一起使用的直觉是捕捉不同粒度级别的新闻文章之间的相似性,并评估不同新闻媒体报道“相同事件”的程度。我们的实验结果和详细的烧蚀研究证明了我们提出的方法的有效性和有效性。
2022-06-29 cs.AI cs.CL cs.CY
An Approach to Ensure Fairness in News Articles
University of Toronto(多伦多大学);Environmental Resources Management(环境资源管理公司);DeepBlue Academy of Sciences(深蓝科学院);Toronto Metropolitan University(多伦多都会大学);The University of Sydney(悉尼大学)
推荐系统、信息检索和其他信息访问系统对在非结构化文本中检查和应用公平性和偏见减轻的概念提出了独特的挑战。本文介绍了Dbias,这是一个Python包,以确保新闻文章的公平性。Dbias是一个经过训练的机器学习(ML)管道,可以将文本(例如,段落或新闻故事)并检测文本是否有偏见。然后,它检测文本中有偏见的单词,屏蔽它们,并推荐一组没有偏见或至少偏见较少的新单词的句子。我们结合了数据科学最佳实践的元素,以确保此管道是可复制和可用的。我们在实验中表明,这种管道可以有效地减轻偏见,并在确保新闻文章的公平性方面优于常见的神经网络架构。
2022-07-08 cs.CL cs.CY cs.IR
BiasScanner: Automatic Detection and Classification of News Bias to Strengthen Democracy
Coburg University of Applied Sciences(科堡应用科学大学);University of Sheffield(谢菲尔德大学)
针对在线新闻偏见问题,该研究推出BiasScanner应用,结合服务端预训练大模型与浏览器插件,可细粒度识别24余种句子级媒体偏见并提供解释与分析,以轻量隐私的方式助力新闻消费者审视内容、强化民主。
2024-07-15 cs.AI cs.CL cs.IR
Fine-Grained Analysis of Propaganda in News Articles
Qatar Computing Research Institute, HBKU(哈马德·本·哈利法大学卡塔尔计算研究所);MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室);Università di Bologna(博洛尼亚大学);A Data Pro
宣传的目的是影响人们的心态,以推进具体议程。以前的工作已经解决了在文件级别的宣传检测,通常标记为宣传性新闻媒体的所有文章作为宣传。这种嘈杂的黄金标签不可避免地会影响任何在其上训练的学习系统的质量。大多数现有系统的另一个问题是缺乏可解释性。为了克服这些限制,我们提出了一个新的任务:通过检测包含宣传技术的所有片段及其类型来执行文本的细粒度分析。特别是,我们创建了一个语料库的新闻文章手动注释的片段水平与18宣传技术,我们提出了一个合适的评价措施。我们进一步设计了一个新的多粒度神经网络,我们表明,它优于几个强大的基于BERT的基线。
2019-10-06 cs.AI cs.CL cs.IR
Automated Identification of Disaster News For Crisis Management Using Machine Learning
University of San Carlos(圣卡洛斯大学)
许多新闻来源都关注了台风拉伊(当地也称为台风奥黛特),以及假新闻。这项研究在这个问题上进行了磨练,创建了一个可以识别合法和非法新闻文章的模型。考虑到这一点,我们在开发中选择了以下机器学习算法:逻辑回归,随机森林和多项式朴素贝叶斯。在模型中实现了词袋、TF-IDF和词形化。从合法和非法来源收集了160个数据集,对机器学习进行了训练和测试。通过结合所有的机器学习技术,组合BOW模型能够达到91.07%的准确率,精确率88.33%,召回率94.64%,F1得分91.38%,组合TF-IDF模型能够达到91.18%的准确率,精确率86.89%,召回率94.64%,F1得分90.60%。
2023-01-24 cs.CL
Controversy and Sentiment in Online News
Qatar Computing Research Institute(卡塔尔计算研究所);University of Maryland(马里兰大学);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
新闻来源如何处理有争议的问题?在这项工作中,我们采取数据驱动的方法来了解争议如何与新闻中的情感表达和偏见语言相互作用。我们首先介绍一个新的数据集,其中包含使用众包收集的有争议和无争议的术语。然后,重点关注美国15家主要新闻媒体,我们比较了7个月内讨论有争议和无争议问题的数百万篇文章。我们发现,在一般情况下,当涉及到有争议的问题,使用负面影响和偏见的语言是普遍的,而使用强烈的情绪是缓和。我们还观察到不同新闻来源之间的许多差异。利用这些发现,我们表明,我们可以表明在何种程度上的问题是有争议的,通过比较它与其他问题,他们是如何在不同的媒体描绘。
2014-09-29 cs.CL cs.CY
UPB at SemEval-2020 Task 11: Propaganda Detection with Domain-Specific Trained BERT
University Politehnica of Bucharest(布加勒斯特理工大学)
操纵性和误导性新闻已成为一些在线新闻媒体的商品,这些新闻对人们的全球心态产生了重大影响。宣传是一种经常使用的操纵方法,其目的是通过传播旨在歪曲或操纵读者意见的思想来影响读者。本文介绍了我们参加SemEval-2020,任务11:检测新闻文章中的宣传技巧比赛。我们的方法考虑专门的预训练BERT模型的宣传和超党派的新闻文章,使其能够创建更充分的表示为两个子任务,即宣传跨度识别(SI)和宣传技术分类(TC)。我们提出的系统在子任务SI中取得了46.060%的F1分数,在36个团队中排名第5,子任务TC的微平均F1分数为54.302%,在32个团队中排名第19。
2020-09-11 cs.CL
Fake News Detectors are Biased against Texts Generated by Large Language Models
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Monash University(莫纳什大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61部门)
本文发现现有假新闻检测器对LLM生成内容存在系统性偏见,并提出基于LLM改写真实新闻的对抗训练方法以提升检测准确率,同时发布GossipCop++和PolitiFact++两个综合数据集。
2026-11-16 cs.AI cs.CL
An Interactive Framework for Profiling News Media Sources
Purdue University(普渡大学)
针对社交媒体虚假和偏见新闻的媒体来源画像难题,提出一种结合图模型、预训练大型语言模型与人类洞察力的交互式框架,仅需5次交互即可在未见测试数据的新兴事件中快速检测虚假和偏见媒体。
2024-04-26 cs.CL
Moral consensus and divergence in partisan language use
University of Chicago(芝加哥大学);Knowledge Lab, University of Chicago(芝加哥大学知识实验室);The Neuroscience Institute, University of Chicago(芝加哥大学神经科学研究所)
本研究通过分析Reddit评论和新闻文章中的大规模语言数据,发现党派语言在道德关联上存在小而系统的分歧,且能以高准确率区分党派倾向,揭示了共享道德理解下的持续差异。
2023-10-14 cs.CL
Do Sentence Interactions Matter? Leveraging Sentence Level Representations for Fake News Classification
Carnegie Mellon University(卡内基梅隆大学)
通过在线媒体渠道传播的虚假新闻和误导性信息的不断增长需要一种自动检测此类新闻文章的方法。在区分可信与其他类型的新闻文章(讽刺,宣传,恶作剧)的少数有限作品中,没有一个在文档中建模句子交互。我们观察到一个有趣的模式,在不同类型的新闻文章的句子相互作用的方式。为了捕捉长新闻文章的这类信息,我们提出了一种基于图神经网络的模型,该模型不需要特征工程来进行细粒度的假新闻分类。通过实验,我们证明了我们提出的方法击败了强大的神经基线,并在现有数据集上达到了最先进的精度。此外,我们建立了我们的模型,通过评估其性能在域外的情况下的泛化能力。代码可在https://github.com/MysteryVaibhav/fake_news_semantics上获得
2019-10-27 cs.CL cs.LG stat.ML
20min-XD: A Comparable Corpus of Swiss News Articles
Department of Computational Linguistics, University of Zurich(计算语言学系,苏黎世大学);Minuten (TX Group)(20分钟(TX集团))
本文提出20min-XD,一个源自瑞士新闻媒体、包含约15,000对法德双语文章的文档级可比语料库,基于语义相似度自动对齐,并公开数据集与代码以支持多种NLP应用。
2025-04-30 cs.CL
Fake news as we feel it: perception and conceptualization of the term "fake news" in the media
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);Leiden University(莱顿大学);Harvard University(哈佛大学)
在本文中,我们定量分析了近年来“假新闻”一词在新闻媒体中的形成。我们研究的看法和概念化的这个词在传统媒体使用八年的数据收集的新闻媒体设在20个国家。我们的研究结果不仅证实了之前关于“假新闻”一词使用量大幅增加的迹象,而且还显示了2016年美国总统大选后围绕这一表达的语境变化。在其他结果中,我们发现相关词汇,提到的实体,周围的主题以及围绕“假新闻”一词的上下文极性发生了变化,这表明该表达在2016年之后经历了感知和概念化的变化。这些成果扩大了对“假新闻”一词使用的理解,有助于理解和更准确地描述与错误信息和操纵有关的相关社会现象。
2018-07-18 cs.CL cs.SI
Media Bias Matters: Understanding the Impact of Politically Biased News on Vaccine Attitudes in Social Media
School of Computing and AI, Arizona State University(亚利桑那州立大学计算与人工智能学院);Department of Computer Science, University of Illinois Chicago(芝加哥伊利诺伊大学计算机科学系);ByteDance Research(字节跳动研究院)
该研究分析疫苗立场对新闻选择和讨论参与的影响,以及政治偏见新闻对疫苗态度的作用,通过构建数据集并结合深度学习与因果推断,发现温和立场者更易受其影响,为相关研究提供关键见解。
2024-03-06 cs.CL cs.CY cs.SI
An Interdisciplinary Approach for the Automated Detection and Visualization of Media Bias in News Articles
University of Wuppertal(伍珀塔尔大学)
媒体报道对公众对事件的看法有重大影响。然而,媒体往往有偏见。使新闻文章产生偏见的一种方法是改变用词。通过词语选择自动识别偏见是具有挑战性的,主要是由于缺乏黄金标准数据集和高度的上下文依赖性。在这个研究项目中,我的目标是设计数据集和方法来识别媒体偏见。为了实现这一目标,我计划研究使用自然语言处理和深度学习的方法,同时使用心理学和语言学的模型和分析概念。第一批结果表明了跨学科研究方法的有效性。我的愿景是设计一个系统,帮助新闻读者意识到偏见造成的媒体报道差异。到目前为止,我最好的基于BERT的模型是在由远距离标签组成的更大语料库上进行预训练的,这表明远距离监督有可能成为偏见检测这一困难任务的解决方案。
2021-12-26 cs.CL
From Nuisance to News Sense: Augmenting the News with Cross-Document Evidence and Context
Carnegie Mellon University(卡内基梅隆大学)
针对当前新闻难理解、信息杂、错误多的问题,研究提出新型新闻阅读工具NEWSSENSE,通过无参考事实核查关联多来源文章并标注主张的支持/矛盾情况,试点研究显示其能帮助用户核查信息、探索多元视角。
2023-10-06 cs.CL cs.HC
'If you build they will come': Automatic Identification of News-Stakeholders to detect Party Preference in News Coverage
IIT Kharagpur(印度理工学院卡拉格普尔分校)
新闻文章中提到的不同利益相关者的报道显著影响相关新闻出版商的倾向或极性检测。举例而言,亲政府的传媒机构会对政府持份者作出更多报道,以增加他们接触新闻受众的机会。相比之下,反政府的新闻机构会更多地关注反对派利益相关者的观点,以告知读者政府政策的不足之处。在本文中,我们解决的问题,利益相关者提取新闻文章,从而确定固有的偏见,目前在新闻报道。在多主题新闻场景中识别潜在的利益相关者是具有挑战性的,因为每个新闻主题都有不同的利益相关者。本文提出的研究利用上下文信息和外部知识,以确定特定主题的利益相关者从新闻文章。我们还应用了一个顺序增量聚类算法来分组具有相似的利益相关者类型的实体。我们对许多国家和国际新闻机构发表的关于印度政府四项政策的新闻文章进行了所有实验。实验结果表明,该模型可以推广到其他新闻主题。
2022-12-17 cs.AI cs.CL cs.CY
QUOTUS: The Structure of Political Media Coverage as Revealed by Quoting Patterns
Cornell University(康奈尔大学);Stanford University(斯坦福大学);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
鉴于现有的事件和报道非常多,媒体机构需要侧重于向受众传达的一系列问题和方面。人们常常指责直销店在这一选择过程中表现出系统性的偏见,不同的直销店描绘了不同版本的现实。然而,由于缺乏客观的衡量标准和经验证据,系统性的方向和程度仍然存在广泛争议。在本文中,我们提出了一个框架的基础上引用模式的量化和表征的程度,媒体机构表现出系统性的偏见。我们将这一框架应用于跨越奥巴马六年总统任期及其所有演讲的大量新闻文章数据集,并揭示了一个系统的模式确实出现在媒体的引用行为中。此外,我们表明,这种模式可以成功地利用在一个无监督的预测设置,以确定哪些新的报价出口将选择广播。通过在一个低秩空间中编码偏见模式,我们提供了一个政治媒体报道的结构分析。这揭示了一个潜在的媒体偏见空间,与政治意识形态和出口类型惊人地一致。语言分析揭示了这些潜在维度的显著差异,显示了不同类型的媒体如何在报道相同事件时描绘不同的现实。例如,映射到潜在空间的主流保守派一面的媒体,关注的是那些描绘总统人物形象的引语,这些引语不成比例地以消极为特征。
2015-04-06 cs.CL cs.SI physics.soc-ph
How News Evolves? Modeling News Text and Coverage using Graphs and Hawkes Process
University of Hawai’i at Mānoa(夏威夷大学马诺阿分校)
新闻内容的自动监控是一个重要的问题。与传统文本不同,新闻内容具有时间成分。然而,很少有工作探讨了自然语言处理和动态系统模型的结合。原因之一是,对自然语言的细微差别进行数学建模是一项挑战。在本文中,我们讨论了如何建立一个新的新闻文章数据集。然后,我们提出了一种方法,随着时间的推移收集的新闻文本转换为一系列的有向多重图,表示语义三元组(主题->谓词} ->对象)。我们使用一组多变量计数序列来模拟这些图中特定拓扑变化的动态,我们拟合离散时间Hawkes过程。我们的真实世界的数据,我们表明,多变量时间序列包含有多少文章/字,每天发布的动态信息和文章的内容的语义信息。这对新闻事件是如何被报道的产生了新的见解。我们的实验表明,我们的方法可以用来推断一系列的新闻文章,如果文章发表的主要或娱乐新闻媒体。
2022-02-12 cs.AI cs.CL cs.SY
A Machine Learning Analysis of the Features in Deceptive and Credible News
Simon Fraser University(西蒙弗雷泽大学)
假新闻是一种无处不在的宣传,在网上传播错误信息,利用社交媒体的广泛影响力来操纵公众的看法。在过去的三年里,假新闻因其对2016年美国总统大选的影响而成为媒体的焦点讨论点。假新闻可能会对现实世界产生严重的影响:2016年,一名男子手持步枪走进一家比萨店,因为他读到希拉里克林顿窝藏儿童作为性奴隶。该项目提出了一个高准确度(87%)的机器学习分类器,该分类器基于文章前几句中的单词分布和特定语言和风格差异来确定新闻的有效性。这可以帮助读者通过寻找开场白中的具体特征来识别文章的有效性,从而帮助他们做出明智的决定。该项目使用来自30个不同网站的2,107篇文章的数据集,通过检查模型,数据集和特征,建立了对虚假和可信新闻之间差异的理解。这个分类器似乎利用了词的分布,语气真实性的水平,以及副词,形容词和名词的频率的差异。这些文章特征的差异可以用来改进未来的分类器。该分类器还可以作为Google Chrome扩展程序直接应用于浏览器,或者作为社交媒体或新闻网站的过滤器,以减少错误信息的传播。
2019-10-05 cs.CL
Unraveling Media Perspectives: A Comprehensive Methodology Combining Large Language Models, Topic Modeling, Sentiment Analysis, and Ontology Learning to Analyse Media Bias
Institute of IT Management and Digitization Research (IFID)(信息管理与数字化研究学院)
本文提出结合层次主题建模、情感分析和大语言模型本体学习的可扩展媒体偏见分析方法,通过三个政治新闻案例验证其在多粒度识别事件选择、标签、用词及委托遗漏偏见方面的有效性。
2025-05-03 cs.AI cs.CL cs.IR
Fine-grained Narrative Classification in Biased News Articles
Indraprastha Institute of Information Technology Delhi(印度普拉斯塔理工大学德里);Bharat Electronics Limited(巴哈特电子有限公司)
本文提出INDI-PROP数据集和FANTA/TPTC框架,用于细粒度偏见新闻文章中的叙事分类和说服技巧识别。
2025-12-03 cs.AI cs.CL
What Makes You CLIC: Detection of Croatian Clickbait Headlines
University of Zagreb, Faculty of Electrical Engineering and Computing(Zagreb 大学电子工程与计算学院)
本文构建跨越20年的克罗地亚语点击诱饵标题数据集 CLIC,微调 BERTić 并与克罗地亚语及英语提示的 LLM 上下文学习比较,发现近半数标题为点击诱饵且微调模型表现更优。
2025-07-24 cs.CL
Profiling News Media for Factuality and Bias Using LLMs and the Fact-Checking Methodology of Human Experts
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);University of Copenhagen(哥本哈根大学)
本研究提出一种模拟专业事实核查人员标准的新颖方法,通过设计多类提示词调用大语言模型并聚合回复,实现对新闻媒体整体真实性与政治偏见的画像,性能优于强基线,同时发布了数据集与代码以支持后续研究。
2025-06-14 cs.AI cs.CL cs.LG
SPICED: News Similarity Detection Dataset with Multiple Topics and Complexity Levels
Technological University Dublin(都柏林理工大学);Huawei Ireland Research Centre(华为爱尔兰研究中心);University College Dublin(都柏林大学学院)
本文提出了一个包含七个主题和四个复杂度级别的新颖新闻相似度检测数据集 SPICED,并通过 MinHash、BERT、SBERT 和 SimCSE 模型进行了基准测试,以解决现有新闻相似度数据集缺乏主题细分的问题。
2024-08-23 cs.CL cs.LG
Detecting Media Bias in News Articles using Gaussian Bias Distributions
Paderborn University(帕德博恩大学);Bauhaus-Universität Weimar(魏玛包豪斯大学)
媒体在塑造公众舆论方面发挥着重要作用。有偏见的媒体可以影响人们在不可取的方向,因此应该被揭露。我们观察到,基于特征和神经文本分类方法,只依赖于低层次的词汇信息的分布无法检测媒体偏见。这一弱点在关于新事件的文章中最为明显,这些文章中的词语出现在新的上下文中,因此它们的“偏见预测性”不清楚。因此,在本文中,我们研究了文章中关于有偏见的陈述的二阶信息如何有助于提高检测效率。特别是,我们利用概率分布的频率,位置和顺序的词汇和信息的重复水平的偏见在高斯混合模型。在现有的媒体偏见数据集上,我们发现有偏见的陈述的频率和位置强烈影响文章水平的偏见,而它们的确切顺序是次要的。使用一个标准的模型,为文章级的偏见检测,我们提供了经验证据表明,文章级的偏见检测器,使用二阶信息明显优于那些没有。
2020-10-20 cs.CL
ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Columbia University(哥伦比亚大学);Salesforce AI Research(Salesforce人工智能研究)
针对社交媒体帖子对新闻文章的信息操纵识别这一未解决挑战,本文提出新任务、构建含3.6K推文-文章对的ManiTweet数据集,开发基础模型并探索分析,为该领域提供基准与初步解决方案。
2024-12-01 cs.CL
In Plain Sight: Media Bias Through the Lens of Factual Reporting
Northeastern University(东北大学);Texas A&M University(得克萨斯农工大学)
新闻媒体中政治偏见的日益普遍,要求提高公众对它的认识,并采取强有力的检测方法。虽然NLP之前的工作主要集中在语言属性(如单词选择和语法)所捕获的词汇偏见,但其他类型的偏见源于文本中选择的实际内容。在这项工作中,我们调查的信息偏见的影响:事实的内容,但可以部署到动摇读者的意见。我们首先产生了一个新的数据集,BASIL,300篇新闻文章注释与1,727个偏见跨度,并找到证据表明,信息偏见出现在新闻文章中更频繁地比词汇偏见。我们进一步研究我们的注释,以观察不同媒体的新闻文章中信息偏见的表面。最后,通过对标记数据进行微调BERT,提出了信息偏差预测的基线模型,指出了任务的挑战和未来的发展方向。
2019-09-05 cs.CL
A Multilingual Similarity Dataset for News Article Frame
Institute for Clarity in Documentation(文档清晰度研究所);Inria Paris-Rocquencourt(法国国家信息与自动化研究所巴黎-罗康库尔中心);Rajiv Gandhi University(拉吉夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕尔默研究实验室)
该论文提出了一个包含10种语言、26,555个标注对的多语言新闻文章相似度数据集,通过两两比较免除了手动框架识别,可用于揭示媒体偏见和新闻创作因素,促进社会科学研究。
2024-05-22 cs.CL cs.CY
EUvsDisinfo: A Dataset for Multilingual Detection of Pro-Kremlin Disinformation in News Articles
The University of Sheffield(谢菲尔德大学)
本文构建了迄今规模最大的多语言亲克里姆林宫虚假信息数据集EUvsDisinfo,揭示了跨语言传播模式与入侵乌克兰前的内容激增趋势,并验证了其在多语言虚假信息检测模型训练中的有效性。
2024-08-30 cs.CL cs.LG
All Things Considered: Detecting Partisan Events from News Media with Cross-Article Comparison
UC Santa Barbara(加州大学圣塔芭芭拉分校);University of Michigan(密歇根大学);Texas A&M University(德克萨斯A&M大学);Northeastern University(东北大学)
本文提出基于潜变量的跨文章比较框架,通过识别党派性事件的策略性纳入或省略来预测新闻文章意识形态,并验证了该方法优于基线且能揭示主流媒体中的隐蔽偏见。
2023-10-28 cs.AI cs.CL