HierBias: コンテキスト条件付き階層型メディアバイアス検出とマルチタスクタイプ分類
HierBiasは、文書コンテキストをモデル化することで文レベルのバイアス分類を改善する新しい階層型コンテキスト条件付きメディアバイアス検出器です。理論的には、コンテキストを利用することでベイズ誤差が減少することが示され、マルチタスク学習によりサンプル効率が向上します。アーキテクチャはRoBERTaエンコーダとクロスセンテンスTransformerを組み合わせ、BABEおよびBASILデータセットでF1 0.853、MCC 0.723を達成し、既存の最良手法を上回ります。
メディアバイアス検出は、公正でバランスの取れた情報普及を確保するための重要なタスクです。しかし、既存の文レベルの手法は各文を独立に分類しており、人間のアノテーターが自然に利用する文間のコンテキストシグナルを無視しています。この問題に対処するため、Kaining LiらはHierBiasを提案しました。これは、文書コンテキストを形式的にモデル化する階層型コンテキスト条件付きメディアバイアス検出器です。
研究チームは「コンテキスト条件付きバイアス確率」の概念を導入し、文間の相互情報が非ゼロである場合、文書コンテキストを活用することで文レベル分類のベイズ誤差を厳密に減少できることを理論的に証明しました。さらに、マルチタスク汎化バウンドにより、二値バイアス検出と細かいバイアスタイプ分類を共同で訓練することで、小規模な注釈付きコーパスでのサンプル効率が向上することを示しました。
アーキテクチャでは、HierBiasは文レベルのRoBERTaエンコーダと文間Transformerアグリゲータを組み合わせ、二値検出と4クラスタイプ分類のための二重出力ヘッドを備えています。BABEおよびBASILデータセットでの評価では、HierBiasはF1スコア0.853、MCC 0.723を達成し、既存の最良のバイアス検出器をF1で2.6%、MCCで4.3%上回りました（McNemar検定、p<0.05）。アブレーション実験により、各理論的コンポーネントが独立かつ一貫して寄与していることが確認されました。
この研究は、メディアバイアス検出の精度を向上させるだけでなく、コンテキスト情報を利用したより詳細な分析のための新しい理論的枠組みと実用的なツールを提供します。