Promoting Diversity in Political News: An AI-Centric Approach = 인공지능 모델에 기반한 정치 뉴스의 다양성 증진을 위한 연구

다국어 초록 (Multilingual Abstract)

Diversity in news consumption is essential for fostering a democratic society. However, the rise of social media platforms and recommendation systems has given rise to social phenomena such as filter bubbles and selective exposure, limiting users’ access to a diverse range of news perspectives. Additionally, the increasingly polarized media landscape, characterized by the segregation of political viewpoints, poses a significant threat to public discourse. Understanding the biases embedded within news articles and leveraging this knowledge to promote diverse news consumption is therefore of critical importance. Motivated by these challenges, this dissertation proposes two approaches to advance political bias analysis and recommendation systems, improving the performance and fairness of deep learning models in these areas.
First, I seek to propose a novel bias prediction model that can mitigate the news outlet’s influence in prediction. I first identify distinct text patterns associated with specific news sources or publishers that are minimally relevant to predicting the political bias of a news article. I then conduct comprehensive experiments to investigate (i) whether existing models trained to predict political bias can also accurately predict the source, and (ii) whether these models change their predictions when a distinct pattern from a source with a different political stance is introduced into a news article. The experimental results reveal that all existing models tend to predict the source, even when trained solely to predict bias. Based on these findings, I propose deep learning models for political bias prediction that avoids learning source-indicative patterns that are only used in the given news source.
Then, I study the diversity in the recommendation systems, a crucial component in various platforms from shopping to online social networks. A key challenge in recommendation systems is to leverage diversity, exposing or recommending diverse items to individuals. Despite much effort on studying diversity in the recommendation systems, little work has focused on estimating how much an item will potentially affect user’s diversity experiences by contributing to consecutive recommendations in a session. To this end, I propose a deep learning model that can predict diversification scores, which is a degree of potential contribution to users’ diversity experiences of an item. The proposed model adopts multiple graph neural network layers with a novel attention mechanism that can capture the features of a given item and its related items in terms of recommendation. To prove the effectiveness of my approach, I collect a large dataset of video recommendations from YouTube and conduct random-walk experiments to simulate user traces. The evaluation results on the dataset shows that the proposed model accurately predicts each item’s contribution on user diversity experiences.

국문 초록 (Abstract)

다양한 뉴스 소비는 민주주의 사회를 구축하는 데 필수적인 요소이다. 그러나 소셜 미디어 플랫폼과 추천 시스템의 부상은 필터 버블(filter bubble) 및 선택적 노출과 같은 사회적 현상을 초래하여 사용자가 다양한 뉴스 관점을 접할 기회를 제한하고 있다. 더욱이, 정치적 관점의 분열로 특징지어지는 점점 더 양극화된 미디어 환경은 공적 담론에 심각한 위협을 가하고 있기에 뉴스 기사에 내재된 편향을 이해하고 이를 활용하여 다양한 뉴스를 제공하는 것은 매우 중요한 과 제이다. 이러한 시대적 과제를 고려하여, 본 논문에서는 정치적 편향 분석 및 추천 시스템을 발전시키기 위한 두 가지 접근법을 제안하며, 이 분야에서 딥러닝 모델의 성능과 공정성을 향상시키고자 한다.
첫째로, 예측 과정에서 특정 언론사 스타일을 예측하는 경우를 줄일 수 있는 새로운 편향 예측 모델을 제안하였다. 이를 위해, 먼저 뉴스 기사의 정치적 편향을 예측하는 데 크게 관련이 없는 특정 뉴스 매체와 연관된 독특한 텍스트 패턴을 식별하였다. 이후, (i) 정치적 편향 예측을 위해 훈련된 기존 모델이 뉴스 매체 까지도 정확하게 예측할 수 있는지, (ii) 다른 정치적 성향을 가진 매체를 식별할 수 있는 패턴을 가진 문장이 다른 편향의 기사에 삽입되었을 때 모델이 예측을 변경하는지를 조사하는 실험을 진행하여 모델이 매체를 예측할 수 있는 패턴에 기반하고 있는지를 살펴보았다. 실험 결과, 기존에 사용된 모델들은 오직 정치적 편향 예측을 예측하는 학습 목표를 가졌음에도 불구하고 그 기저에서는 매체를 예측하는 경향이 있음을 확인하였다. 이를 결과를 토대로, 특정 매체에서만 나 타나는 고유의 패턴을 학습하지 않도록 하는 정치적 편향 예측 딥러닝 모델을 제안하였다.
둘째로는 추천 시스템의 다양성에 대해 연구하였다. 추천 시스템은 쇼핑에서 온라인 소셜 네트워크에 이르기까지 다양한 플랫폼에서 중요한 구성 요소이다. 추천 시스템의 주요 과제 중 하나는 개인에게 다양한 항목을 추천하거나 노출하여 다양성을 확보하는 것으로 기존에 추천 시스템의 다양성에 대한 연구는 많이 진행되었으나 하나의 세션 내에서 연속된 추천에서 특정한 아이템이 사용자의 다양성 경험에 미칠 잠재적 영향을 추정하는 연구는 거의 이루어지지 않았다. 따 라서, 본 논문에서는 이를 해결하기 위해 특정한 아이템 사용자의 다양성 경험에 기여하는 정도를 예측할 수 있는 다양화 점수 예측 딥러닝 모델을 제안하였다. 제안된 모델은 주어진 아이템 및 연관된 아이템의 특징을 포착할 수 있는 새로운 어텐션을 포함한 그래프 신경망을 활용하였다. 새로운 모델의 성능을 입증하기 위해, YouTube의 비디오 추천에 관한 대규모 데이터셋을 수집하였으며 사용자 의 세션 경험을 시뮬레이션하기 위해 랜덤 워크 실험을 수행하였다. 평가 결과에 따르면 제안된 모델은 각 아이템이 사용자 다양성 경험에 미치는 기여도를 기존 모델보다 정확하게 예측하는 것으로 나타났다.

목차 (Table of Contents)

• Abstract i
• Chapter 1 Introduction 1
• Chapter 2 Related Work 4
• 2.1 Political News Landscape 4
• 2.2 Analysis and Prediction of bias of news media and its articles 6
• 2.3 Diversification of News Recommendation Systems 8
• Chapter 3 Political Bias Prediction Models Focus on Source Cues, Not Semantics 10
• 3.1 Introduction 10
• 3.2 Preliminaries for Political Bias Prediction 12
• 3.2.1 Political Bias Prediction: Problem Formulation 12
• 3.2.2 Datasets for Political Bias Prediction 12
• 3.2.3 Baseline Models for Political Bias Prediction 13
• 3.3 Identifying Source Cues 14
• 3.3.1 Target Dataset 14
• 3.3.2 Identification Method 16
• 3.3.3 Analysis on Identified Patterns 22
• 3.4 Analyzing Dependence of Bias Prediction Model on Source Cues 23
• 3.4.1 Baseline Models 23
• 3.4.2 Implementation of Baseline Models 24
• 3.4.3 Can bias prediction models predict the sources of news articles 28
• 3.4.4 Inserting sources cues to incur bias flip 29
• 3.5 A Model minimizing reliance over source cues 33
• 3.5.1 Model 1: Attention-based Source-cue Mitigation 33
• 3.5.2 Model 1: Experimental results 36
• 3.5.3 Model 2: Rationale extraction with Adversarial Adaptation 37
• 3.5.4 Model 2: Experimental results 42
• 3.6 Discussions 43
• Chapter 4 Predicting Diversification Scores of Videos in Recommendation Network 45
• 4.1 Introduction 45
• 4.2 Related work 48
• 4.2.1 Diversification in recommendation systems 48
• 4.2.2 Session-based Recommendation systems 49
• 4.3 Preliminaries 50
• 4.4 Materials and Methods 52
• 4.4.1 Data Collection 52
• 4.4.2 Building A Recommendation Network 55
• 4.4.3 Generating Synthesized Video Watching Sequences 57
• 4.5 Analyzing Diversity with Simulated User Trace 58
• 4.5.1 Difference of Visited Nodes 59
• 4.5.2 Difference of Local Networks 60
• 4.5.3 Node Contribution to Diversity 64
• 4.6 Model to Estimating the Influence of Videos in terms of User's Diversity Experience 67
• 4.6.1 Problem statement 67
• 4.6.2 Model Architecture 67
• 4.7 Experiments 71
• 4.7.1 Evaluation Methodology 71
• 4.7.2 Baseline Models 71
• 4.7.3 Implementation Environment and Hyperparameters 73
• 4.8 Results 73
• 4.8.1 Overall Performance 73
• 4.8.2 Ablation Study 75
• 4.9 Potential Application 77
• Chapter 5 Bias Prediction of News Articles using Large Language Models 79
• 5.1 Bias prediction with GPT 79
• 5.2 Bias prediction with Large Language Model with Fine-tuning 83
• Chapter 6 Conclusion 86
• 국문초록 100