MIT: Måling af medieforvrængning i større nyhedsmedier med maskinlæring

En studie fra MIT har brugt maskinlæringsteknikker til at identificere forvrængede formuleringer på tværs af omkring 100 af de største og mest indflydelsesrige nyhedsmedier i USA og udover, herunder 83 af de mest indflydelsesrige trykte nyhedsudgivelser. Det er et forskningsprojekt, der viser vej mod automatiserede systemer, der potentielt kan auto-klassificere den politiske karakter af en udgivelse og give læserne en dybere indsigt i udgivelsens etiske holdning til emner, som de måske føler stærkt om.

Arbejdet koncentrerer sig om, hvordan emner behandles med bestemte formuleringer, såsom ulovligt indvandrer | ulovlig indvandrer, foster | ufødt barn, demonstranter | anarkister.

Projektet anvendte Natural Language Processing (NLP)-teknikker til at udtrække og klassificere sådanne eksempler på ‘ladede’ sprog (under antagelse af, at tilsyneladende mere ‘neutrale’ termer også repræsenterer en politisk holdning) i en bred kortlægning, der afslører venstre- og højre-orienteret forvrængning på tværs af over tre millioner artikler fra omkring 100 nyhedsmedier, hvilket resulterer i en navigabel forvrængningslandskab for de pågældende udgivelser.

Artiklen kommer fra Samantha D’Alonzo og Max Tegmark på MIT’s fysikafdeling og observerer, at en række nylige initiativer omkring ‘fakta-tjek’ i kølvandet på talrige ‘falske nyheder’-skandaler kan fortolkes som uærlige og tjene bestemte interesser. Projektet er tænkt til at give en mere data-dreven tilgang til at studere brugen af forvrængning og ‘påvirkningssprog’ i en supponeret neutral nyhedskontekst.

Et spektrum af (bogstaveligt) venstre-højre-formuleringer, som er afledt fra studiet. Kilde: https://arxiv.org/pdf/2109.00024.pdf

NLP-behandling

Kildedatabasen fra studiet blev erhvervet fra den åbne kilde Newspaper3K-databasen, og bestod af 3.078.624 artikler fra 100 medienyhedsmedier, herunder 83 aviser. Aviserne blev valgt på basis af deres rækkevidde, mens online-medienyhedsmedier også inkluderede artikler fra det militære nyhedsanalyse-websted Defense One og Science.

Kilderne, der blev brugt i studiet.

Artiklen rapporterer, at den downloadede tekst blev ‘minimalt’ forbehandlet. Direkte citater blev elimineret, da studiet er interesseret i sproget, der er valgt af journalister (selv om citatvalg i sig selv er et interessant studieområde).

Britiske staveformer blev ændret til amerikanske for at standardisere databasen, og alle punktuationer blev fjernet, og alle andre end ordinaltal også fjernet. Initialsætningens store bogstaver blev konverteret til små bogstaver, men alle andre store bogstaver blev beholdt.

De første 100.000 mest almindelige formuleringer blev identificeret og derefter rangeret, renset og sammenføjet i en formuleringliste. Alt redundant sprog, der kunne identificeres (såsom ‘Del denne artikel’ og ‘artikel genudgivet’), blev også slettet. Variationer over essentielt identiske formuleringer (f.eks. ‘big tech’ og ‘Big Tech’, ‘cybersecurity’ og ‘cyber security’) blev standardiseret.

‘Nøddespisning’

Den første test var på emnet ‘Black lives matter’, og kunne skelne formuleringsskæv og valent synonymer på tværs af data.

Generaliserede principkomponenter for artikler om Black Lives Matter (BLM). Vi ser mennesker, der deltager i civil handling, karakteriseret, bogstaveligt og figurativt, fra venstre til højre, som demonstranter, anarkister og, i den højre ende af spektret, som ‘opløbere’. Aviserne, der oprinder fra formuleringen, er repræsenteret i højre panel.

Mens ‘protestere’ går fra ‘anarkister’ til ‘opløbere’, når vi glide langs den politiske holdning af udgivelsen i spørgsmålet, bemærker artiklen, at NLP-udtrækning og analyseholdning hæmmes af praksis med ‘nøddespisning’ – hvor en medieudgivelse citerer en formulering, der anses for gyldig af en anden politisk sektor af samfundet, og kan (apparent) stole på, at dens læserskare vil se formuleringen negativt. Artiklen citerer ‘defund the police’ som et eksempel på dette.

Naturligvis betyder dette, at en ‘venstre-orienteret’ formulering optræder i en ellers højre-orienteret kontekst og repræsenterer en usædvanlig udfordring for et NLP-system, der afhænger af kodificerede formuleringer som signifikationer for politiske holdninger.

Sådanne formuleringer er ‘bi-valente’ [SIC], hvorimod visse andre formuleringer har en så universelt negativ konnotation (f.eks. ‘infanticid’), at de altid repræsenteres som negative på tværs af en række udgivelser.

Forskningen afslører også lignende kortlægninger for ‘hede’ emner såsom abort, teknologi-censur, US-immigration og våbenkontrol.

Hobbyheste

Der er visse kontroversielle politiske holdninger i medieudgivelser, der ikke splitter forudsigeligt på denne måde, såsom emnet om militærudgifter. Artiklen fandt, at ‘venstre-orienteret’ CNN endte op ved siden af højre-orienteret National Review og Fox News på dette emne.

Generelt kan politisk holdning dog bestemmes af andre formuleringer, såsom at foretrække formuleringen ‘militær-industri-kompleks’ over den mere højre-orienterede ‘forsvarsindustri’. Resultaterne viser, at den førstnævnte bruges af etablerings-kritiske udgivelser såsom Canary og American Conservative, mens den sidstnævnte bruges mere ofte af Fox og CNN.

Forskningen etablerer flere andre progressioner fra etablerings-kritisk til pro-etableringssprog, herunder skalaen fra ‘skudt ihjel’ til den mere passive ‘drab’; ‘fange-forbrydere’ til ‘fængslede mennesker’; og ‘olieproducenter’ til ‘big oil’.

Valent synonymer med etableringsforvrængning, top til bund.

Forskningen erkender, at udgivelser vil ‘svingre væk’ fra deres grundlæggende politiske holdning, enten på et sprogligt niveau (såsom brugen af bi-valente formuleringer) eller af andre motiver. For eksempel har den værdsatte højre-orienterede britiske udgivelse The Spectator, etableret i 1828, ofte og fremtrædende fremhævet venstre-orienterede tanker, der gnider mod den generelle politiske strøm af dens indhold. Om dette er gjort ud fra en følelse af upartisk rapportering eller for at periodisk antænde dens kerne-læserskare til trafik-genererende kommentar-storme, er en sag for gisning – og ikke en let sag for et maskinlæringssystem, der søger efter klare og konsistente token.

Disse bestemte ‘hobbyheste’ og tvetydige brug af ‘chokerende’ synspunkter blandt enkelte nyhedsorganisationer forvirrer lidt den venstre-højre-kortlægning, som forskningen tilbyder, selv om den giver en bred indikation af politisk tilhørsforhold.

Undertrykt betydning

Selv om artiklen er dateret den 2. september og udgivet ved udgangen af august 2021, har den opnået relativt lidt opmærksomhed. Dette kan delvist skyldes, at kritisk forskning rettet mod mainstream-medier er usandsynligt at blive entusiastisk modtaget af dem; men det kan også skyldes, at forfatterne har været tilbageholdende med at producere klare og ubestemte grafer, der stratificerer, hvor indflydelsesrige og magtfulde medieudgivelser står på forskellige emner, sammen med aggregerte værdier, der indikerer, i hvilken udstrækning en udgivelse læner sig mod venstre eller højre. I virkeligheden synes forfatterne at tage sig af at dæmpe den potentielle kontroversielle effekt af resultaterne.

Ligeledes viser den omfattende publicerede data fra projektet hyppighedsantal af tilfælde af ord, men synes at være anonymiseret, hvilket gør det svært at få et klart billede af medieforvrængning på tværs af de studerede udgivelser. Uden at operationalisere projektet på en eller anden måde, efterlader dette kun de valgte eksempler, der er præsenteret i artiklen.

Senere studier af denne art ville muligvis være mere nyttige, hvis de også ville overveje, ikke kun den formulering, der bruges til emner, men også, om emnet dækkes overhovedet, da stilhed taler meget, og har i sig selv en distinkt politisk karakter, der ofte taler til mere end blot budgetmæssige begrænsninger eller andre pragmatiske faktorer, der kan informere nyhedsvalg.

Nonetheless, MIT-studiet synes at være det største af sin art hidtil og kunne danne rammen for fremtidige klassificeringssystemer og endda sekundære teknologier såsom browser-tilføjelser, der muligvis kan advare læsere om den politiske farve af den udgivelse, de læser i øjeblikket.

Bobler, forvrængning og modreaktion

Derudover skulle det overvejes, om sådanne systemer ville yderligere komplicere en af de mest kontroversielle aspekter af algorithmiske anbefalingssystemer – tendensen til at føre en bruger ind i miljøer, hvor de aldrig ser en modsat eller udfordrende synspunkt, hvilket sandsynligvis vil yderligere forstærke brugerens holdning til kerneemner.

Om sådanne indholdsbobler er et ‘sikkert miljø’, en hindring for intellektuel vækst eller en beskyttelse mod parti-propaganda, er en værdidom – en filosofisk sag, der er svær at nærme sig fra det mekaniske, statistiske synspunkt på maskinlæringssystemer.

Yderligere, ligesom MIT-studiet har taget sig af at lade dataene definere resultaterne, er klassificeringen af den politiske værdi af formuleringer uundgåeligt også en slags værdidom, og en, der ikke let kan modstå sprogets evne til at omkodificere giftigt eller kontroversielt indhold i nye formuleringer, der ikke er i håndbogen, forumreglerne eller træningsdatabasen.

Hvis en sådan kodificering blev indbygget i populære online-systemer, synes det sandsynligt, at en kontinuerlig indsats for at kortlægge den etiske og politiske temperatur af større nyhedsmedier kunne udvikle sig til en kold krig mellem AI’s evne til at afsløre forvrængning og udgivernes evne til at udtrykke deres synspunkt i en udviklende idiom, der er designet til at rutinemæssigt overgå maskinlæringens forståelse af semantik.

14/09/21 – 1.41 GMT+2 – Ændret ‘100 aviser’ til ‘100 nyhedsmedier’
4:58 pm – Rettet papir-citation til at inkludere Samantha D’Alonzo og relaterede rettelser.