提升英文新闻偏见细粒度检测与分类的模型效果
Improved Models for Media Bias Detection and Subcategorization
- 对比零样本与微调大模型在新闻偏见识别中的表现
- 27类偏见分类体系下，微调模型准确率显著更高
- 合成数据有效增强模型在少数类别上的泛化能力
我们提出改进的模型，用于英文新闻文章中细粒度的媒体偏见检测与子分类。通过比较零样本与微调的大规模预训练神经网络语言模型在新型27类新闻偏见分类体系下的性能，发现微调模型表现更优。同时，研究探索了分类层级细化程度对模型效果的影响，并证明使用合成生成样例数据可有效提升模型质量，尤其在低频偏见类型上。
原文摘要 · Abstract (English)
We present improved models for the granular detection and sub-classification news media bias in English news articles. We compare the performance of zero-shot versus fine-tuned large pre-trained neural transformer language models, explore how the level of detail of the classes affects performance on a novel taxonomy of 27 news bias-types, and demonstrate how using synthetically generated example data can be used to improve quality
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。