[论文解读] Weakly Supervised Learning of Nuanced Frames for Analyzing Polarization in News Media

Shamik Roy, Dan Goldwasser|arXiv (Cornell University)|Sep 21, 2020

Computational and Text Analysis Methods参考文献 37被引用 5

一句话总结

本文提出一种弱监督方法，用于识别宽泛政治框架（如“经济”或“安全”）内的细粒度子框架，以更好地捕捉新闻媒体在移民、枪支管制和堕胎等争议性话题报道中的意识形态细微差别。通过利用最少的人工标注和学习上下文嵌入，该方法即使在双方使用相同高层级框架时，也能有效区分自由派与保守派观点，与人工判断高度一致，并显著提升意识形态框架的检测能力。

ABSTRACT

In this paper we suggest a minimally-supervised approach for identifying nuanced frames in news article coverage of politically divisive topics. We suggest to break the broad policy frames suggested by Boydstun et al., 2014 into fine-grained subframes which can capture differences in political ideology in a better way. We evaluate the suggested subframes and their embedding, learned using minimal supervision, over three topics, namely, immigration, gun-control and abortion. We demonstrate the ability of the subframes to capture ideological differences and analyze political discourse in news media.

研究动机与目标

• 解决粗粒度政治框架在捕捉新闻媒体报道中意识形态差异方面的局限性。
• 开发一种数据驱动、最小化监督的方法，用于识别反映不同政治视角的特定主题子框架。
• 评估子框架是否能有效分离自由派与保守派观点，特别是在政治争议性话题中。
• 训练一种上下文嵌入模型，使其在新文本中泛化子框架使用的同时，保留意识形态区分。
• 分析左翼与右翼新闻媒体在不同时间点的框架策略变化。

提出的方法

• 构建特定主题的词典，捕捉宽泛框架（如“经济”、“安全”）在移民、枪支管制和堕胎报道中的具体体现。
• 利用人工标注示例识别重复出现的表达，并将其归类为反映不同意识形态立场的子框架（例如，“最低工资”与“薪资停滞”在“经济”框架下的对比）。
• 利用外部知识源识别候选子框架，并将其与人工标注的表达对齐。
• 训练一种神经嵌入模型，将子框架标签、指示性表达和文章段落联合表示在共享向量空间中。
• 利用学习到的嵌入对新段落进行子框架分类，并评估其与人工标注意识形态观点的一致性。
• 将该模型应用于分析左翼与右翼新闻媒体在框架差异及时间趋势上的表现。

实验结果

研究问题

• RQ1 与粗粒度框架相比，宽泛政策框架内的细粒度子框架是否能更有效地捕捉新闻报道中的意识形态差异？
• RQ2 在仅使用极少人工标注的情况下，弱监督方法在多大程度上能识别出反映政治意识形态的有意义子框架？
• RQ3 学习到的子框架嵌入在多大程度上能泛化到未见的新新闻文章中，以准确检测意识形态框架？
• RQ4 在三个主题中，左翼与右翼新闻媒体的框架策略有何不同？
• RQ5 在新闻媒体报道中，子框架使用模式与意识形态框架如何随时间演变？

主要发现

• 所提出的子框架即使在双方使用相同高层级框架（如移民报道中的“经济”）时，也能有效区分自由派与保守派观点。
• 模型分配的子框架标签与人工判断高度相关，验证了模型捕捉细微意识形态差异的能力。
• 学习到的嵌入模型在新文本上泛化良好，能准确识别未见段落中的子框架使用。
• 该方法成功识别出“经济”框架下的特定主题子框架，如“最低工资”与“薪资停滞”，有效区分了左翼与右翼叙事。
• 时间分析显示，左翼与右翼媒体存在显著不同的框架模式，例如“恐怖主义”与“边境保护”等子框架在保守派媒体中随时间推移呈上升趋势。
• 该方法在主题特异性细微差别与通用框架可解释性之间取得良好平衡，优于粗粒度框架分析在捕捉意识形态极化方面的表现。