[论文解读] Uncovering Gender Bias in Media Coverage of Politicians with Machine Learning

Susan Leavy|arXiv (Cornell University)|May 15, 2020

Gender Politics and Representation参考文献 41被引用 7

一句话总结

本研究运用自然语言处理与机器学习技术，检测过去15年爱尔兰报纸对部长级官员报道中的系统性性别偏见。研究发现，尽管女性在报道中占据更显要的位置且篇幅更长，但她们却更常被负面刻板印象、个人化描述以及与性别相关的政策关联所刻画，表明尽管表面上呈现积极的代表性，仍存在微妙而普遍的偏见。

ABSTRACT

This paper presents research uncovering systematic gender bias in the representation of political leaders in the media, using artificial intelligence. Newspaper coverage of Irish ministers over a fifteen year period was gathered and analysed with natural language processing techniques and machine learning. Findings demonstrate evidence of gender bias in the portrayal of female politicians, the kind of policies they were associated with and how they were evaluated in terms of their performance as political leaders. This paper also sets out a methodology whereby media content may be analysed on a large scale utilising techniques from artificial intelligence within a theoretical framework founded in gender theory and feminist linguistics.

研究动机与目标

• 开发一种可扩展的、基于人工智能的媒体文本性别偏见检测方法，结合自然语言处理与机器学习技术。
• 检验在长达15年的时间跨度内，爱尔兰媒体对男性与女性政界人士的报道中是否存在系统性性别偏见。
• 识别语言使用、政策关联与媒体位置差异如何反映或强化性别刻板印象。
• 提出一种基于语料库的新方法，将女性主义语言学与计算文本分析相结合，以推动性别偏见分析的发展。

提出的方法

• 收集1997年至2011年共15年《爱尔兰时报》与《爱尔兰独立报》中关于部长级官员的报纸文章。
• 应用自然语言处理技术提取语言特征，包括命名实体、情感倾向以及特定主题的词汇。
• 使用机器学习分类器（如支持向量机、逻辑回归）基于文本预测报道中人物的性别，准确率作为语言差异的指标。
• 采用汇编分析法，考察性别化术语与政策相关关键词在具体语境中的使用方式。
• 利用通用词典（General Inquirer Lexicon）提取并比较与男性和女性政界人士相关联的政治与情感词汇。
• 分析报纸栏目中的报道位置，作为媒体优先级与可见度的代理指标，比较男性与女性部长在不同栏目中的分布情况。

实验结果

研究问题

• RQ1 爱尔兰媒体对女性政界人士的报道，在语言、语气与内容方面，与对男性政界人士的报道相比，系统性差异有多大？
• RQ2 在男性与女性政界人士与特定政策领域关联方面，是否存在可测量的差异，尤其是那些与性别刻板印象相关的领域？
• RQ3 报道在报纸不同栏目的分布是否反映出性别化的可见度或优先级？
• RQ4 基于语言特征训练的机器学习模型如何区分对男性与女性政界人士的报道？哪些特征驱动了这些差异？
• RQ5 自动化方法在多大程度上揭示了政治媒体报道中意外的或非刻板印象化的性别偏见形式？

主要发现

• 女性政界人士在报道数量与高调栏目（如头版、政治版、社论版）中的位置更靠前，表明存在积极的可见度偏见。
• 尽管可见度较高，女性政界人士却更常与‘入侵’（invasion）等词汇关联，该词与冲突相关；而男性政界人士则更常与‘调停’（conciliation）、‘调解’（mediation）和‘中立’（neutrality）等词汇关联，表明政治行动被性别化地框架。
• 女性政界人士更常被关联到个人与家庭角色，报道更强调其性别与家庭生活，而非其政策表现。
• 对女性政界人士政治风格的负面描述更为普遍，强化了对其领导能力的性别刻板印象。
• 女性部长即使未担任相关职务，也过度出现在生活方式、娱乐与健康栏目中，表明其与社会与健康议题存在性别化关联。
• 机器学习模型在分类报道中人物性别的准确率很高，证实报道中语言差异具有系统性且可测量。