[2606.26100] HierBias: 上下文条件化的层次化媒体偏见检测与多任务类型分类
[2606.26100] HierBias: 上下文条件化的层次化媒体偏见检测与多任务类型分类
作者： Kaining Li, Ruichen Yan, Yuxin Dong
[提交于 2026年4月29日]
媒体偏见检测（media bias detection）是确保信息公平公正传播的关键任务，然而现有的句子级方法独立地对每个句子进行分类，忽略了人类标注者自然利用的句子间上下文信号。我们提出了 HierBias，一种层次化的上下文条件化媒体偏见检测器（context-conditioned media bias detector），在偏见预测中正式建模文档上下文。我们引入了 上下文条件化偏见概率（context-conditioned bias probability） ，并从理论上证明，当句子间互信息非零时，利用文档上下文严格降低了句子级分类的贝叶斯误差。一个多任务泛化界进一步表明，联合训练二元偏见检测与细粒度偏见类型分类能提高小标注语料库上的样本效率。在架构上，HierBias 将句子级 RoBERTa 编码器与跨句子 Transformer 聚合器以及用于二元检测和四类类型分类的双输出头配对。在 BABE 和 BASIL 上的评估显示，HierBias 取得了 0.853 的 F1 和 0.723 的 MCC，超过了当前最先进的偏见检测器（McNemar 检验，$p < 0.05$），F1 提升 $+2.6\%$，MCC 提升 $+4.3\%$。消融实验证实每个理论组成部分都独立且一致地发挥作用。
主题： 计算与语言（cs.CL）
引用方式： arXiv:2606.26100 [cs.CL]（或本版本：arXiv:2606.26100v1 [cs.CL]）— https://doi.org/10.48550/arXiv.2606.26100