[论文解读] "Don't quote me on that": Finding Mixtures of Sources in News Articles

Alexander Spangher, Nanyun Peng+2 more|arXiv (Cornell University)|Apr 19, 2021

Topic Modeling参考文献 19被引用 8

一句话总结

本文提出了一种概率图模型，用于识别新闻文章中按隶属关系和角色分类的多种来源类型的混合，专家评估的来源类型推断准确率达到80%。该研究通过建模记者战略性选择来源的方式，推动了计算新闻学的发展，实现了更优的来源缺口检测与媒体报道趋势分析。

ABSTRACT

Journalists publish statements provided by people, or extit{sources} to contextualize current events, help voters make informed decisions, and hold powerful individuals accountable. In this work, we construct an ontological labeling system for sources based on each source's extit{affiliation} and extit{role}. We build a probabilistic model to infer these attributes for named sources and to describe news articles as mixtures of these sources. Our model outperforms existing mixture modeling and co-clustering approaches and correctly infers source-type in 80\% of expert-evaluated trials. Such work can facilitate research in downstream tasks like opinion and argumentation mining, representing a first step towards machine-in-the-loop extit{computational journalism} systems.

研究动机与目标

• 基于隶属关系和角色，构建新闻来源的结构化本体，以更好地理解其在新闻报道中的使用方式。
• 将新闻文章建模为来源类型的概率混合，反映记者的来源选择策略。
• 在现有混合建模与共聚类方法的基础上，进一步提升来源类型预测的准确率。
• 支持意见挖掘、论证分析以及计算新闻工具等下游应用。
• 揭示随时间推移和不同新闻类型之间，来源使用习惯的编辑趋势。

提出的方法

• 作者定义了一个包含25种子类型的来源本体，结合隶属关系（如政府、非政府组织、学术机构）与角色（如决策者、专家、受害者）。
• 构建一个概率图模型，基于文章类型和与来源关联的词汇推断来源类型。
• 模型使用PMI（点互信息）识别每种子类型的话题关联，将语言特征与来源角色关联起来。
• 采用混合建模方法，将每篇新闻文章表示为来源类型的分布，通过使用专家标注数据的监督训练进行学习。
• 利用专家标注的测试集对模型进行评估，测量来源类型分类的预测准确率。
• 该方法引入文档类型先验，以提升来源类型推断效果，认识到不同新闻类型偏好不同的来源组合。

实验结果

研究问题

• RQ1 如何系统性地基于隶属关系和角色对新闻文章中的来源进行分类？
• RQ2 基于内容和类型，概率模型在多大程度上能够预测新闻文章中来源类型的混合？
• RQ3 不同类型的新闻文章（如灾难报道、分析性文章、政治报道）中，来源使用模式有何差异？
• RQ4 随时间推移，可以检测到哪些来源使用趋势？这些趋势如何反映媒体获取渠道或机构透明度的变化？
• RQ5 该模型能否帮助识别新闻稿件中缺失或代表性不足的来源类型？

主要发现

• 在专家评估的测试中，该模型对来源类型的预测准确率达到80%，显著优于现有的混合建模与共聚类基线方法。
• 模型成功识别出1999至2002年间，《纽约时报》头版文章中高层政府官员的数量减少，而学术专家的比例上升，可能反映出政府来源获取渠道的减少。
• 文档类型显著影响来源类型的混合：例如，“灾难”类报道（文档类型3）中政府决策者和受害者律师的比例更高，而“分析”类文章（文档类型16）则更强调企业决策者和学术专家。
• 来源类型与特定语言话题存在强关联；例如，“学术专家”来源与“研究”、“学习”、“医院”等词汇相关，而“企业决策者”来源则与“工作”、“思考”、“增加”等词汇相关。
• 该模型揭示了来源使用的编辑规范，例如在政治报道中“目击者-普通民众”来源的使用增加，而在官方声明中则更常使用“政府发言人”来源。
• 该系统能够检测稿件中的来源缺口，表明其在人机协同新闻工具中具有实际应用潜力。