MIT: Mittaamalla median puoluekantoja suurimmissa uutispalveluissa koneoppimismenetelmillä

MIT:n tutkimus on käyttänyt koneoppimismenetelmiä puolueellisen kielen tunnistamiseen noin 100 suurimman ja vaikutusvaltaisimman uutispalvelun joukossa Yhdysvalloissa ja muualla, mukaan lukien 83 vaikutusvaltaisinta painettua uutislehteä. Tämä on tutkimus, joka osoittaa tien kohti automaattisia järjestelmiä, jotka voivat mahdollisesti automaattisesti luokitella julkaisun poliittisen luonteen ja antaa lukijoille syvemmän ymmärryksen julkaisijan eettisestä kannasta aiheissa, joista he pitävät voimakkaasti.

Työ keskittyy siihen, miten aiheita käsitellään tietynlaisella kielenkäytöllä, kuten laillinen maahanmuuttaja | laiton maahanmuuttaja, sikiö | syntymätön lapsi, mielenosoittajat | anarkistit.

Hankkeen tarkoituksena on käyttää luonnollisen kielen prosessointitekniikoita tällaisten “latautuneen” kielen ilmiöiden erottamiseen ja luokitteluun (oletuksena, että näennäisesti “neutraalimmat” termit edustavat myös poliittista kantaa) laajaan karttaan, joka paljastaa vasemmisto- ja oikeistolaisen puolueellisuuden yli 3 miljoonassa artikkelissa noin 100 uutispalvelusta, tuloksena on navigoituva puolueellisuuskartta tutkimassa olevista julkaisuista.

Tutkimus on tehty Samantha D’Alonzon ja Max Tegmarkin toimesta MIT:n fysiikan laitoksella, ja se toteaa, että useat viimeaikaiset “faktojen tarkistamiseen” liittyvät aloitteet voidaan tulkita epärehellisiksi ja palveleviksi tiettyjen etujen tarkoituksia. Hankkeen tavoitteena on tarjota enemmän dataohjattu lähestymistapa puolueellisuuden ja “vaikuttamisen” kielen tutkimiseen väitetysti neutraalissa uutiskontekstissa.

Vasemmisto-oikeistolaisen kielen spektri, johdettu tutkimuksesta. Lähde: https://arxiv.org/pdf/2109.00024.pdf

Luonnollisen kielen prosessointi

Tutkimuksen lähdeaineisto hankittiin avoimen lähdekoodin Newspaper3K-tietokannasta, ja se käsitti 3 078 624 artikkelia 100 uutispalvelusta, mukaan lukien 83 sanomalehteä. Sanomalehdet valittiin niiden vaikutusalueen perusteella, ja verkkouutispalveluihin kuului myös sotilasanalyysipalvelu Defense One ja Tiede.

Tutkimuksessa käytetyt lähteet.

Tutkimusraportti kertoo, että ladatut tekstit käsiteltiin “vähäisesti”. Sitaatit poistettiin, koska tutkimuksessa kiinnostutaan journalistien valitseman kielenkäytön (vaikka sitaattien valinta itsessään on mielenkiintoinen tutkimusalue).

Brittiläiset oikeinkirjoitukset muutettiin amerikkalaisiksi standardoidaksesi tietokannan, kaikki välimerkit poistettiin ja kaikki lukuun ottamatta järjestysluvut poistettiin. Alkulausen iso alkukirjain muutettiin pieneksi, mutta kaikki muu iso alkukirjain säilytettiin.

Ensimmäiset 100 000 yleisintä lausetta tunnistettiin ja lopulta luokiteltiin, puhdistettiin ja yhdistettiin lauselistaan. Kaikki tarpeettomat kielirakenteet, jotka voitiin tunnistaa (kuten “Jaa tämä artikkeli” ja “artikkeli uudelleenjulkaistu”), poistettiin. Samaa lausetta koskevat vaihtelut (esim. “suuri teknologia” ja “Suuri Teknologia”, “kyberturvallisuus” ja “kyberturvallisuus”) yhdenmukaistettiin.

‘Pähkinänkuoressa’

Alkutesti tehtiin aiheesta “Mustien elämät ovat arvokkaita”, ja se pystyi erottamaan lausetyyppien puolueellisuuden ja valenttiset synonyymit datassa.

Yleistetyt pääkomponentit Mustien elämät ovat arvokkaita -artikkeleista.

Kun “mielenosoittajat” siirtyvät “anarkisteista” “mellakantekijöiksi”, kun liu’umme uutispalvelun poliittisen kannan mukana, tutkimusraportti toteaa, että NLP-erottelu- ja analyysiasenne häirityy “pähkinänkuoressa” -käytännöllä – kun uutispalvelu lainaa lausetta, jota toinen poliittinen ryhmä pitää voimassa, ja jota sen lukijakunta voi nähdä negatiivisena. Tutkimusraportti mainitsee esimerkkinä “poliisin rahoituksen lopettamisen”.

Luonnollisesti tämä tarkoittaa, että “vasemmistolainen” lause esiintyy oikeistolaisessa kontekstissa, ja edustaa epätavallista haastetta NLP-järjestelmälle, joka riippuu koodifioiduista lauseista poliittisen kannan merkkinä.

Tällaiset lauseet ovat “kaksisuuntaisia”, kun taas jotkut lauseet ovat yleisesti negatiivisia (esim. “lastenmurha”) ja edustavat aina negatiivista arvoa eri uutispalveluissa.

Tutkimus paljastaa myös samanlaiset kartat “kuumista” aiheista, kuten aborttia, teknologisen sensuurin, Yhdysvaltain maahanmuuttoa ja aseiden hallintaa.

Harrastuksia

On olemassa tiettyjä kiistanalaisia poliittisia suuntauksia uutispalveluissa, jotka eivät jaa odotetulla tavalla, kuten sotilasmenojen aihe. Tutkimus osoitti, että “vasemmistolainen” CNN päätyi lopulta oikeistolaisen National Reviewin ja Fox Newsin rinnalle tässä asiassa.

Yleensä kuitenkin poliittinen kanta voidaan määrittää muiden lauseiden perusteella, kuten suosiessa lausetta “sotilas-teollisuuskompleksi” enemmän oikeistolaisen “puolustusalan” sijaan. Tulokset osoittavat, että jälkimmäistä käytetään useammin Foxilla ja CNN:llä.

Tutkimus osoittaa useita muita kehityskulkuja virallisen kriittisestä kielenkäytöstä etablissementtivaatimusten mukaiseen kielenkäyttöön, mukaan lukien siirtymät “ampumisen” ja “tappamisen” välillä; “vankilassa olevat rikolliset” ja “vankilassa olevat ihmiset”; ja “öljyntuottajat” ja “suuri öljy”.

Valenttiset synonyymit etablissementin puolueellisuudella, ylhäältä alas.

Tutkimus myöntää, että uutispalvelut “poistuvat” peruspoliittisesta kannastaan joko kielellisellä tasolla (kuten kaksisuuntaisten lauseiden käytössä) tai muista syistä. Esimerkiksi vanha oikeistolainen brittiläinen julkaisu The Spectator, joka perustettiin vuonna 1828, esittää usein ja näkyvästi vasemmistolaisia ajatuksia, jotka vastustavat yleistä poliittista suuntautumista. On arveluttavaa, onko tämä tehty puolueettoman raportoinnin vuoksi vai jakamaan lukijakunnan liikenteen tuottavia kommenttiryppäitä – ja se ei ole helppo tapaus koneoppimisjärjestelmälle, joka etsii selkeää ja johdonmukaista merkintää.

Nämä erityiset “harrastukset” ja epäselvät näkemykset yksittäisten uutispalvelujen joukossa sekoittavat hieman tutkimuksen lopullista vasemmisto-oikeistolaisuuden karttaa, vaikka se antaa laajan osoituksen poliittisesta suuntautumisesta.

Piilotettu merkitys

Vaikka tutkimus on julkaistu elokuun lopulla 2021 ja on kirjoitettu 2. syyskuuta, se on saavuttanut suhteellisen vähän huomiota. Osittain tämä voi johtua siitä, että kriittinen tutkimus, joka kohdistuu valtavirtauutisiin, ei ole todennäköisesti vastaanotettu innostuneesti; mutta se voi myös johtua siitä, että kirjoittajat ovat epäröineet tuottaa selkeitä ja yksiselitteisiä kaavioita, jotka luokittelevat vaikutusvaltaisia ja voimakkaita uutispalvelujen poliittista suuntautumista eri aiheissa, sekä aggregoituja arvoja, jotka osoittavat, kuinka paljon julkaisu kallistuu vasemmalle tai oikealle. Kirjoittajat vaikuttavat ottavan vaivaa välttääkseen tulosten mahdollisen räjähdysmäisen vaikutuksen.

Vastavaa julkaistua dataa hankkeesta osoittaa, että se on anonyymi, mikä tekee vaikeaksi saada selkeä kuva uutispalveluiden puolueellisuudesta. Ilman hankkeen toiminnallistamista jää vain tutkimusraportissa esitetyt valitut esimerkit.

Myöhemmät tutkimukset tämänkaltaisista aiheista voisivat olla hyödyllisempiä, jos ne ottaisivat huomioon ei vain aiheiden käsittelemistapaa, vaan myös sitä, käsitelläänkö aiheita lainkaan, koska hiljaisuus puhuu äänellä, ja sillä on itsessään erityinen poliittinen luonne, joka usein puhuu enemmän kuin vain uutisvalinnan budjettirajoituksista tai muista pragmaattisista tekijöistä, jotka voivat vaikuttaa uutisvalintaan.

Kuitenkin MIT:n tutkimus näyttää olevan laajin laatuaan toistaiseksi, ja se voi muodostaa kehyksen tuleville luokittelujärjestelmille ja jopa toissijaisille teknologioille, kuten selainlaajennuksille, jotka voivat hälyttää tavallisia lukijoita julkaisun poliittisesta värityksestä, jota he parhaillaan lukevat.

Ilmapallot, puolueellisuus ja takaisku

Lisäksi on tärkeää tutkia, johtavatko sellaiset järjestelmät lopulta yhdenmukaisemmin yksiin näkemyksiin sulkeutuneisiin ympäristöihin, joissa lukija ei koskaan näe vastakkaisia tai haastavia näkemyksiä, mikä todennäköisesti vahvistaa lukijan kannan perusasioissa.

On arvioitava, onko tällainen sisällön kupla “turvallinen ympäristö”, este älylliselle kasvulle tai suojelu osittaiselta propagandalta, on arvostelma – filosofinen asia, jota on vaikea lähestyä koneoppimisjärjestelmien mekanistisesta, tilastollisesta näkökulmasta.

Lisäksi, samalla tavalla kuin MIT:n tutkimus on pyrkinyt antamaan datan määritellä tulokset, poliittisen arvon lauseiden luokittelu on väistämättä myös arvostelma, jota ei voi helposti kestää kielen kykyä uudelleen koodata myrkyllistä tai kiistanalaista sisältöä uusiin lauseisiin, jotka eivät ole käsikirjassa, foorumin säännöissä tai koulutusaineistossa.

Jos tällainen koodifiointi olisi upotettu suosittuihin online-järjestelmiin, näyttää todennäköiseltä, että jatkuva ponnistus kartoittaa suurten uutispalvelujen eettistä ja poliittista lämpötilaa voisi kehittyä kylmäksi sodaksi koneoppimisen kyvyn havaita puolueellisuutta ja julkaisijoiden kykyä ilmaista kantansa kehittyvässä idiomeissa, joka on tarkoitettu ohittamaan jatkuvasti koneoppimisen ymmärryksen semantiikasta.

14/09/21 – 1.41 GMT+2 – Muutettiin ‘100 sanomalehteä’ muotoon ‘100 uutispalvelua’
4:58 pm – Korjattiin tutkimuksen viittaus Samantha D’Alonzon sisällyttämiseksi ja liittyvät korjaukset.