Details

Autor(en) / Beteiligte

• Chen, Wei-Fan
• Wachsmuth, Henning[Akademischer Betreuer]
• Stein, Benno[Akademischer Betreuer]

Titel

Computational analysis and mitigation of textual media bias

Ort / Verlag

Paderborn

Erscheinungsjahr

2024

Link zu anderen Inhalten

• Volltext
• Volltext

Verknüpfte Titel

Beschreibungen/Notizen

• Tag der Verteidigung: 26.01.2024
• Open Access
• ger: Medien haben einen entscheidenden Einfluss auf die öffentliche Meinung, da sie eine primäre Kommunikationsquelle der modernen Gesellschaftsind. Allerdings hat Media Bias, welcher Auftritt, wenn Medien einseitig bzw. voreingenommen berichten oder diskriminieren, das Potenzial, Menschen mit Fehlinformationen oder polarisierenden Ansichten in nicht wünschenswerten Hinsichten zu beeinflussen.Unter Berücksichtigung aktuellerFortschritte im Bereich des maschinellen Lernens ist die natürliche Sprachverarbeitung (NLP) zu einem starken Werkzeug für die Erkennung undÄnderung von Media Bias geworden. Die vorliegende Dissertation stellt diesbzüglich eine umfassende Untersuchung von Media Bias dar, welchedie Erstellung von Datensätzen, die Entwicklung von computergestützten Modellen und sowohl quantitative, als auch qualitative Analysen umfasst.Insbesondere untersuchen wir drei unterschiedliche Arten von Media Bias: Gatekeeping Bias (die Auswahl des zu Berichtenden), Coverage Bias (dieSichtbarkeit verschiedener Standpunkte), und Statement Bias (die Meinungen von politischen Lagern).
• eng: Media plays a vital role in shaping public opinion, as it serves as a primary source of communication in modern society. However, media bias, occurring when media exhibit favoritism or discrimination in their reporting, may potentially influence people in undesirable directions by presenting misinformed or polarized views. In light of the recent advancements in machine learning, natural language processing (NLP) has become a powerful instrument for tackling media bias in terms of detecting or changing the bias in texts. With this in mind, this dissertation delves into the comprehensive examination of media bias, including corpora creation, computational model development, and both quantitative and qualitative analyses. In particular, we study three different kinds of media biases, namely gatekeeping bias (selection of what to report), coverage bias (visibility of each side), and statement bias (opinions of political sides).