این مقاله در arxiv تحت مجوز CC BY-NC-SA 4.0 DEED موجود است.
نویسندگان:
(1) Yejin Bang، مرکز تحقیقات هوش مصنوعی (CAiRE)، دانشگاه علم و فناوری هنگ کنگ؛
(2) Nayeon Lee، مرکز تحقیقات هوش مصنوعی (CAiRE)، دانشگاه علم و فناوری هنگ کنگ.
(3) پاسکال فانگ، مرکز تحقیقات هوش مصنوعی (CAiRE)، دانشگاه علم و فناوری هنگ کنگ.
جدول پیوندها
خلاصه
سوگیری چارچوب بندی نقش مهمی در تشدید قطب بندی سیاسی با تحریف درک رویدادهای واقعی دارد. رسانه هایی با مواضع سیاسی متفاوت اغلب در گزارش خود از یک رویداد از زبان قطبی استفاده می کنند. ما یک تابع تلفات جدید پیشنهاد می‌کنیم که مدل را تشویق می‌کند تا اختلاف قطبیت بین مقالات ورودی قطبی‌شده را به حداقل برساند تا سوگیری قاب‌بندی را کاهش دهد. به طور خاص، از دست دادن ما برای بهینه‌سازی مشترک مدل برای نقشه‌برداری دو طرفه قطبی طراحی شده است. نتایج تجربی ما نشان می‌دهد که ترکیب از دست دادن به حداقل رساندن قطبیت پیشنهادی منجر به کاهش قابل‌توجهی در تعصب کادربندی در مقایسه با مدل خلاصه‌سازی چند سندی مبتنی بر BART می‌شود. قابل ذکر است، ما متوجه شدیم که اثربخشی این رویکرد زمانی آشکارتر می شود که مدل برای به حداقل رساندن …