媒体偏见检测对于保障信息传播的公平与平衡至关重要，但现有的句子级方法通常将每个句子独立分类，忽略了句子间的上下文信号——而这些信号恰恰是人类标注者会自然利用的。来自 arXiv 的论文《HierBias: Context-Conditioned Hierarchical Media Bias Detection with Multi-Task Type Classification》提出了一种分层上下文条件媒体偏见检测器 HierBias，正式将文档上下文纳入偏见预测过程。
该研究首先引入了“上下文条件偏见概率”这一概念，并从理论上证明：当句子间的互信息不为零时，利用文档上下文能够严格降低句子级分类的贝叶斯错误率。这一结论为上下文建模提供了坚实的理论依据。此外，作者还给出了一个多任务泛化界，表明联合训练二分类偏见检测与细粒度偏见类型分类（四类）可以提升在小规模标注语料上的样本效率。
在架构上，HierBias 采用句子级 RoBERTa 编码器，搭配跨句子 Transformer 聚合器，以及用于二分类检测和四类类型分类的双输出头。这种设计使得模型既能捕捉句子内部的语义特征，又能通过聚合器整合文档级上下文信息，最终同时输出偏见存在与否的判断和具体的偏见类型。
实验评估在 BABE 和 BASIL 两个数据集上进行。HierBias 取得了 0.853 的 F1 分数和 0.723 的 MCC（马修斯相关系数），相比当前最先进的偏见检测器分别提升了 2.6% 的 F1 和 4.3% 的 MCC，且通过 McNemar 检验（p < 0.05）确认提升具有统计显著性。消融实验进一步证实，每个理论组件都独立且一致地贡献了性能增益，验证了上下文建模和多任务学习在媒体偏见检测中的有效性。
该论文于 2026 年 4 月 29 日提交，作者为 Kaining Li 等三人。HierBias 的提出为媒体偏见检测领域提供了新的理论视角和实用方法，有望推动更公平、更平衡的信息传播环境建设。