Estás leyendo la publicación: Una nueva investigación de IA aborda el problema de las sugerencias de noticias que influyen en la ideología: reducir la homogeneización política entre temas en las recomendaciones de noticias basadas en contenido
Hoy, con millones de noticias de diversas fuentes, muchos lectores de noticias acceden a las noticias en línea. Los sistemas de recomendación de noticias (NRS) sugieren artículos de noticias seleccionados que serían interesantes para los lectores de noticias para ayudar a los usuarios a encontrar el contenido apropiado y pertinente y eliminar así el resto de las piezas, lo que a su vez alivia el problema de la sobrecarga de información. El sistema de recomendación extrae noticias de muchos artículos y las filtra según los intereses del lector aprendiendo de las experiencias pasadas de los usuarios.
Las burbujas de filtro, sin embargo, pueden resultar de recomendaciones que enfatizan excesivamente los intereses de los usuarios. La burbuja de filtro ocurre cuando las recomendaciones basadas en los intereses del usuario, como registros de búsqueda y registros de acceso, dan como resultado la recomendación de solo la información que el usuario quiere ver, aislándolo de la información que no quiere ver o que no se alinea. con sus ideas y aislando sus creencias y valores como una “burbuja”. Pariser definió la burbuja de filtros en 2011. Desde entonces, ha generado mucha discusión sobre las recomendaciones de noticias y es uno de los temas más cruciales.
Aunque ya se han presentado muchos enfoques para la recomendación de noticias, recientemente se ha observado que los modelos basados en el aprendizaje profundo funcionan muy bien. Muchas técnicas actuales para la recomendación de noticias basadas en el aprendizaje profundo se basan en Atención, que aprende de los registros de clics anteriores para adquirir representaciones (vectores) de usuarios y noticias, y pronostica tasas de clics para elementos no identificados. Recientemente, las representaciones de usuario y contenido han tenido un mejor desempeño al adoptar modelos de lenguaje previamente entrenados como BERT. Por lo tanto, en los últimos años se ha debatido mucho sobre temas como el aumento de la diversidad y los sistemas de recomendación de noticias. Todavía tiene que haber una propuesta de recomendaciones de noticias que enfaticen la diversidad de opiniones políticas, particularmente las disparidades en las opiniones políticas entre temas.
El principal problema del sistema de recomendación de noticias es que puede sesgar las opiniones políticas de los lectores en función de sus actividades pasadas. La división política entre liberales y conservadores puede deberse a prejuicios contra las posiciones políticas en los resultados de las recomendaciones. Así, un grupo de investigadores publicó un artículo sobre Reducción de la homogeneización política entre temas en las recomendaciones de noticias basadas en el contenido. Para combatir las burbujas de filtro en las sugerencias de noticias, esta investigación sugiere una estrategia novedosa centrada en las ideologías políticas. Los resultados de las recomendaciones de noticias basadas en los intereses de los usuarios están sesgados por varias razones, incluida la polaridad emocional y el contenido del artículo. En este estudio se consideraron especialmente los prejuicios liberales o conservadores y las posiciones políticas.
En este trabajo se presentaron dos tipos diferentes de modelos de aprendizaje profundo basados en la atención. La primera es una función objetiva que penaliza los términos que describen ideologías políticas, ya sean liberales o conservadoras, que los autores han recopilado de forma independiente para que sea menos probable que afecten el resultado de la predicción. La estrategia alternativa es dar más peso a las palabras específicas del tema. También se puso a prueba una técnica que incorpora ambos sentidos.
En el enfoque propuesto, el equipo consideró la recomendación de texto como una simple clasificación binaria de si al lector le gusta el artículo o no. Los artículos están etiquetados en dos categorías, “el usuario prefiere artículos conservadores en la categoría 1 y artículos liberales en la categoría 2”. Se utilizó un conjunto de datos de 900 000 noticias de 41 sitios web de noticias diferentes en el experimento obtenido de Liu et al. Estas noticias tienen cinco niveles de posiciones políticas con las etiquetas
{-2,-1,0,1,2} en ellos. La escala va de -2 (más liberal) a +2 (más conservador). En esta investigación se utilizan 100.000 muestras de la recopilación de datos. Las posturas políticas en lugar de los temas se etiquetaron en las 100.000 noticias recopiladas. Por lo tanto, se utilizó el agrupamiento no supervisado para extraer los temas de esta investigación.
El equipo probó el método sugerido en un conjunto de datos de usuarios que tenían puntos de vista políticos opuestos sobre dos temas y descubrió que superó tanto a la línea de base como a STN y STAN. Un problema importante en el ámbito de los sistemas de recomendación son las burbujas de filtro. Se anticipa que en el futuro se desarrollarán implementaciones en el mundo real de sistemas de recomendación que tengan en cuenta esta variedad de puntos de vista políticos.
