Metody detekce vyváženosti zpravodajských textů

Abstract

Automatická detekce zaujatosti v médiích představuje možnou cestu k objektivnějšímu a faktičtějšímu psaní. Tato práce se zaměřuje na zaujatost médií a zabývá se problémem binární klasifikace zaujatosti médií v českém zpravodajském prostředí. Je provedena rešerše literatury a metodiky pro různé aspekty zaujatosti. Následně je shromážděn a analyzován soubor dat týkajících se zajuatosti médií. S využitím strojového překladu je prezentováno osm paralelních českých datasetů, přičemž jeden z nich je rozsáhlý dataset o 360 tisících větách. Kromě toho je z wikipedie automaticky extrahován nový český dataset CWNC (Czech Wiki Neutrality Corpus) pro detekci zaujatosti, s 5 766 větami. Následné experimenty pak ukazují vliv předtrénování na kombinacích aktuálně dostupných datasetů a naznačují pozitivní vliv předtrénování na datasetech zaměřených na subjektivitu. Český BERT model s nejlepšími parametry a nastavením pak dosahuje skóre F1 80.2% na vybraném testovacím datasetu. Nakonec je natrénovaný klasifikátor využit ke klasifikaci reálných dat z různých zpravodajských zdrojů.

Automatic detection of bias in media represents a possible way to more objective and factual writing. This work focuses on media bias and addresses the problem of binary classification of media bias in the Czech news environment. The literature and methodology for different aspects of bias are reviewed. Then, a set of datasets related to media bias is collected and analyzed. Utilizing machine translation, eight parallel Czech datasets are presented, one of which being a large-scale dataset of 360k sentences. Additionally, a novel Czech dataset CWNC (Czech Wiki Neutrality Corpus) for bias detection with 5 766 sentences is automatically extracted from Wikipedia. The following experiments then show the effects of pre-training on combinations of currently available datasets, suggesting a positive effect of pre-training on datasets focused on subjectivity. Czech BERT-based model with the best parameters and setting then achieves an F1 score of 80.2% on the selected target dataset. Finally, a trained classifier is utilized to classify real-world data from various news sources.