[논문 리뷰] Selection Bias in News Coverage: Learning it, Fighting it

Dylan Bourgeois, Jérémie Rappaz외 1명|arXiv (Cornell University)|2019. 04. 16.

Media Influence and Politics참고 문헌 24인용 수 10

한 줄 요약

이 논문은 이벤트 커버리지 데이터로부터 미디어 소스의 에디토리얼 선호도의 잠재 표현을 학습함으로써 뉴스 커버리지에서의 선택 편향을 모델링하고 완화하는 개인화된 인자분해 기반 방법을 제안한다. 다양성 인식 목표를 사용해 소스를 재순서함으로써, 이 접근법은 커버리지 불평등성(25개 소스 기준 GINI 계수 0.79에서 0.74로 감소)을 줄이며 동시에 고영향도 이벤트의 커버리지를 유지함으로써, 뉴스가치를 희생시키지 않은 채 미디어의 다원성을 증진시킨다.

ABSTRACT

News entities must select and filter the coverage they broadcast through their respective channels since the set of world events is too large to be treated exhaustively. The subjective nature of this filtering induces biases due to, among other things, resource constraints, editorial guidelines, ideological affinities, or even the fragmented nature of the information at a journalist's disposal. The magnitude and direction of these biases are, however, widely unknown. The absence of ground truth, the sheer size of the event space, or the lack of an exhaustive set of absolute features to measure make it difficult to observe the bias directly, to characterize the leaning's nature and to factor it out to ensure a neutral coverage of the news. In this work, we introduce a methodology to capture the latent structure of media's decision process on a large scale. Our contribution is multi-fold. First, we show media coverage to be predictable using personalization techniques, and evaluate our approach on a large set of events collected from the GDELT database. We then show that a personalized and parametrized approach not only exhibits higher accuracy in coverage prediction, but also provides an interpretable representation of the selection bias. Last, we propose a method able to select a set of sources by leveraging the latent representation. These selected sources provide a more diverse and egalitarian coverage, all while retaining the most actively covered events.

연구 동기 및 목표

• 미디어 소스의 커버리지 선택을 이벤트들에 대한 잠재적 선호도로 간주함으로써, 뉴스 미디어의 선택 편향을 선호도 학습 문제로 모델링하는 것.
• 커버리지 패턴을 기반으로 해석 가능한 데이터 기반의 뉴스 소스 커뮤니티를 식별함으로써, 지리적 유대관계나 기업 소속과 같은 숨겨진 구조적 관계를 드러내는 것.
• 높은 영향도의 이벤트를 유지하면서 더 다양한 및 평등한 뉴스 커버리지를 보장하는 소스의 대표적 부분집합을 선별하는 방법을 개발하는 것.
• GINI 계수로 측정된 뉴스 주목도 분포의 불평등성을 정량화하고 완화하는 것인데, 주요 뉴스 이벤트의 포함을 희생시키지 않는 조건에서 수행된다.
• 에코 챔버를 줄이고 공공 인식을 형성하는 데 영향을 미치는 소수의 소스의 지배를 줄임으로써, 미디어의 다원성을 증진시키는 것.

제안 방법

• 이 방법은 소스를 '사용자'로, 이벤트를 '아이템'으로 간주하는 사용자-아이템 상호작용 행렬로 뉴스 커버리지를 모델링하며, 항목은 커버리지 빈도를 나타낸다.
• 저차원 잠재 표현을 학습하기 위해 행렬 인자분해를 적용함으로써, 미디어 선택의 잠재 선호도 구조를 포착한다.
• 개인화된 순위 매기기 접근법을 사용해 다양성 파라미터 β를 활용해 소스 선택을 재정렬함으로써, 커버리지 평등성과 주요 이벤트 유지 간 균형을 이룬다.
• 이 접근법은 GINI 계수(불평등성)를 최소화하면서도 선택된 소스 집합 내에서 높은 커버리지 빈도를 보인 이벤트의 비율을 최대화하는 재순서 목표를 사용한다.
• 잠재 공간은 외부 메타데이터 없이도 지리적 군집화나 심판 네트워크와 같은 소스 관계를 해석 가능하게 한다.
• 이 방법은 대규모 GDELT 기반의 글로벌 뉴스 이벤트 및 소스 데이터셋을 대상으로 평가되며, 예측 정확도와 공정성 지표를 통해 성능을 측정한다.

실험 결과

연구 질문

• RQ1 관측된 커버리지 데이터만을 사용해 뉴스 커버리지에서의 미디어 선택 편향을 선호도 학습 문제로 모델링할 수 있는가?
• RQ2 커버리지 패턴만으로도 미디어 소스 간의 잠재적 구조적 관계를 밝혀낼 수 있는가?
• RQ3 학습된 표현을 기반으로 한 재순서 전략이 뉴스 커버리지의 다양성과 평등성을 어느 정도 향상시킬 수 있는가?
• RQ4 제안된 방법은 커버리지의 공정성과 고영향도 이벤트 유지 간의 트레이드오프를 어떻게 균형 잡는가?
• RQ5 학습된 표현은 브로드캐스트 심판 네트워크나 기업 네트워크와 같이 명백하지 않은 미디어 관계를 드러낼 수 있는가?

주요 결과

• 기본 모델 대비 예측 정확도가 높아, 뉴스 선택이 개인화된 인자분해를 통해 예측 가능하다는 점을 입증한다.
• 학습된 잠재 표현은 외부 정보 없이도 지리적 의존성과 동일 매체 소속과 같은 해석 가능한 일관된 소스 커뮤니티를 드러낸다.
• 다양성 파라미터 β = 0.5를 사용할 경우, 25개 소스 선택 기준 커버리지 불평등성의 GINI 계수는 0.79에서 0.74로 감소하여 주목도 불평등성이 감소함을 나타낸다.
• 100개의 소스를 선택한 경우, 재순서 후 GINI 계수는 0.78에서 0.68로 감소하여 평등한 커버리지에서의 상당한 향상을 보였다.
• 커버리지 대상 이벤트의 수가 감소했음에도 불구하고, 재순서된 소스 집합은 랜덤 또는 인기 기반 선택 대비 더 큰 비율의 최고 영향도 이벤트를 유지한다.
• 이 방법은 브로드캐스트 심판 네트워크나 기업 네트워크와 같이 비명백한 관계를 성공적으로 식별하여 미디어 생태계의 투명성을 향상시켰다.