《SCIENCE ADVANCES》：The Media Bias Detector: A framework for annotating and analyzing the news
编辑推荐：
新闻机构通过其关于报道哪些话题（或忽略哪些话题）以及如何处理所报道问题的选择，将偏见引入其报道中。此处，研究人员提出Media Bias Detector（MBD），一种可扩展的计算框架，该框架将大语言模型（Large Language Model，LLM）与
新闻机构通过其关于报道哪些话题（或忽略哪些话题）以及如何处理所报道问题的选择，将偏见引入其报道中。此处，研究人员提出Media Bias Detector（MBD），一种可扩展的计算框架，该框架将大语言模型（Large Language Model，LLM）与近实时（near-real-time）新闻抓取相整合，以提取结构化标注，包括政治倾向（political lean）、语气（tone）、话题（topics）、文章类型（article type）与重大事件（major events），每天覆盖数百篇文章。研究人员在句子层面、文章层面与出版商层面量化这些覆盖维度，拓展了研究人员分析现代新闻格局中选择与框架偏见的方式。研究人员还发布了一个交互式网络平台以便便捷探索这些数据，以及一份伴随数据集，覆盖10家知名出版商在2024年发表的超过140,000篇文章。最后，研究人员基于该数据集给出若干结果，说明MBD如何揭示新闻覆盖中偏见的关联因素。
研究背景方面，媒体在传播信息与塑造公共话语中具有核心作用。既有研究长期关注两类新闻偏见：一是选择偏见（selection bias），即新闻机构主动选择报道哪些话题、事件、议题与视角，以及赋予其何种显著程度与篇幅；二是框架偏见（framing bias），即在已选定话题下，通过细节取舍、语气语言、背景信息与叙事结构等方式呈现事实，而不一定违反事实核查。传统人工内容分析难以扩展到数千篇以上文章；关键词频率分析与主题建模（topic modeling）虽可扩展，但难以捕捉复杂偏见的语境细微差异；商业偏见评级工具如AllSides、Ad Fontes、NewsGuard多采用出版商级、一维左右光谱静态评分，忽略出版商内部跨话题、跨时间与跨事件的变异。因此，在媒体版图扩张且碎片化的背景下，开发可扩展、近实时、细粒度的偏见测量工具具有重要学术与公共价值。研究人员构建Media Bias Detector（MBD），发表该工作于《SCIENCE ADVANCES》。
主要关键技术方法方面，研究人员对10家主要出版商每日按东部时间五时段抓取首页快照，依标题位置、字体大小与配图确定前30篇显著文章并抓取文本，预处理去广告与样板文本后去重。标注端采用GPT-4o等大模型做零样本提示（zero-shot prompting），抽取文章级话题/子话题、政治倾向（political lean，?5至+5）、语气（tone，?5至+5）、文章类型，以及句子级类型、语气、焦点（focus）；用text-embedding-3-large等向量嵌入做每日事件聚类，再用GPT-4o-mini做主题命名、召回与精修，并以事实句聚类抽取关键事实。验证端由三名标注者对各维度独立标注，用Pearson's r与Cohen's κ比较人与模型一致性，并以自助法证明模型—人一致性可与人间一致性无统计差异。样本队列来自2024年初始10家出版商所采集的超过140,000篇唯一新闻文章。
研究结果方面，The imbalance between policy and election horse race coverage表明，研究人员借助话题与子话题分类比较2024年美国总统选举中赛马式报道（horse race coverage）与政策讨论的篇幅，发现所有出版商中选举赛马报道远超政策议题总和，Breitbart与Fox News对移民政策与改革报道占比显著高于CNN与The Guardian，说明议程设置更偏向策略性选举叙事而非政策信息。
Political lean varies across news topics表明，研究人员利用文章级政治倾向标签发现，出版商整体左右排序与既往基于消费模式或众包标签的研究高度一致，但同一出版商在不同话题上倾向各异，例如The New York Times在环境话题左倾、在技术话题较中性，The Wall Street Journal因偏重商业与经济而显得较中性，说明政治倾向具有话题依赖性与出版商内异质性。
Most news is negative, especially politics表明，研究人员分析各话题平均语气与文章量，发现大多数新闻含负面元素，政治新闻既高负向又高体量，宗教、经济等也呈现系统性负面语气，印证并扩展了新闻生产中的负面偏见（negativity bias）。
Headlines are not always faithful to their articles表明，研究人员对标题与正文分别标注发现，标题政治倾向平均比正文更亲共和党，在商业与经济类最明显；标题语气与正文语气总体接近，但按话题存在异质，说明标题框构是一种独立偏见机制。
Media outlets' partisan focus is inversely correlated with their lean表明，研究人员用句子级焦点得分发现，出版商平均政治倾向与提及共和党或民主党的焦点呈负相关，左倾出版商更多谈共和党，整体焦点偏共和党，支持党派媒体更常批评对立阵营而非吹捧自身阵营的机制假设。
讨论部分总结方面，研究人员指出MBD以系统抓取、LLM驱动标注与人机闭环（human-in-the-loop）验证，补足了GDELT、Media Cloud等大规模语料在首页显著故事、细粒度标签与质量控制在选择/框架偏见研究上的不足。局限包括仅覆盖主要出版商与前20显著文章、2024年后才系统采集、专有模型可能变动、无客观真相时偏见本身难定义。研究人员刻意只测可观察的“基本量”（elemental quantities）如话题、语气、倾向、焦点，不做单一真理下的偏见打分，从而在可扩展研究中保持稳健。
研究结论部分翻译为：研究人员提出Media Bias Detector，利用LLM以每天数百篇、近实时的规模分析新闻媒体，以支持并加速媒体偏见研究。该工作依托构建稳健可扩展数据基础设施来研究新闻从生产到消费与吸收的影响，并借网页交互可视化向非学术利益相关者传达洞见。通过广泛开放数据与面板，研究人员希望实现新闻业的数据驱动透明性，使政策制定者、教育者与媒体从业者能以有意义方式参与发现。MBD补充了既有大规模新闻数据集，但转而高可靠捕获各出版商首页头部故事，从而研究编辑选择如何塑造公共焦点，也揭示被头条忽略的话题与跨出版商的事实取舍。该框架还可迁至社交媒体短文本与互动网络特征。局限在于未穷尽在线新闻、可能遗漏短暂出现文章、时间范围有限、专有模型与零样本提示未微调、部分标签固有主观。但模型—人一致性在统计上不劣于人间一致性，聚合后模式仍可靠。最后，研究人员不提供文章或出版商的最终偏见分数，因为任何单一客观性或真理标准本身都可能带偏见；但通过句子与文章级多量并允许向上聚合，MBD间接生成关于媒体偏见的宝贵洞见，如赛马压倒政策、标题与正文倾向偏离、党派焦点与倾向负相关等机制。总之，该系统为媒体偏见研究提供可扩展基础，并持续提升学术理解与公众对媒体偏见动力的认识。
