KI-Modell deckt politische Voreingenommenheit in Online-Nachrichten auf

MÜNCHEN (IT BOLTWISE) – Ein neues KI-Modell verspricht, die politische Voreingenommenheit in Online-Nachrichtenquellen auf eine bisher unerreichte Weise zu analysieren. Durch die Untersuchung von Hunderttausenden von Artikeln haben Forscher ein System entwickelt, das politische Neigungen vorhersagt und die Gründe für die Kategorisierung eines Mediums erklärt.

Die politische Voreingenommenheit in den Medien ist ein weit verbreitetes Thema, das jedoch schwer zu quantifizieren ist. Traditionelle Methoden stützen sich oft auf menschliche Anmerkungen, die in ihrem Umfang begrenzt und selbst voreingenommen sein können. Die neue Studie, veröffentlicht in PLOS One, stellt einen datengetriebenen Ansatz vor, der eine Vielzahl von Voreingenommenheitsindikatoren über eine große Anzahl von Quellen hinweg untersucht.

Ronja Thelen-Rönnback, eine Doktorandin an der Universität Tilburg, erklärt, dass das Projekt als Teil ihrer Masterarbeit begann. Ziel war es, technische Fähigkeiten zur Analyse eines gesellschaftlich wichtigen Themas einzusetzen. Die Forscher nutzten die Global Database of Events, Language, and Tone (GDELT), um englischsprachige Artikel aus dem Jahr 2022 zu analysieren und das Verhalten von Nachrichtendiensten in Bezug auf politische Voreingenommenheit zu untersuchen.

Der erste Schritt bestand darin, Rohdaten auf Artikelebene in ein strukturiertes Datenset auf Outlet-Ebene zu transformieren. GDELT versieht Nachrichtenartikel mit thematischen Labels und Metadaten wie Ton, Wortanzahl und visuellen Inhalten. Diese Datenpunkte dienten als Stellvertreter für verschiedene Arten von Medienvoreingenommenheit, darunter Tonvoreingenommenheit, Auswahlvoreingenommenheit und Größenvoreingenommenheit.

Die Forscher entwickelten ein maschinelles Lernsystem, das in der Lage ist, die politische Orientierung von Online-Nachrichtenquellen zu klassifizieren. Sie verwendeten zwei Sätze von Ground-Truth-Labels: eines von Media Bias Fact Check und ein weiteres, das auf dem Verhalten von Twitter-Nutzern basiert. Diese Labels wurden verwendet, um verschiedene maschinelle Lernmodelle zu trainieren und zu testen, darunter ein neuronales Netzwerk, Support Vector Machines und XGBoost-Klassifikatoren.

Das neuronale Netzwerk übertraf die anderen Modelle und erreichte eine Genauigkeit von 76 % und einen AUC-Wert von 81 % mit den Media Bias Fact Check-Labels. Überraschenderweise schnitten große Sprachmodelle wie GPT-4o-mini nicht besser ab als das Mehrheitsbasislinienmodell, was zeigt, dass kleinere Modelle für viele Aufgaben ausreichend sein können.

Die Forscher verwendeten SHAP (Shapley Additive Explanations), um die Ergebnisse interpretierbar zu machen. Diese Technik zeigte, dass Artikelzahlen zu politisch aufgeladenen Themen wie Waffenbesitz und Umweltregulierung oft die informativsten Merkmale waren. In einem Beispiel wurde Breitbart als rechtsgerichtet klassifiziert, da es häufig negativ getönte Artikel zu Kriminalitätsthemen veröffentlichte.

Die Studie zeigt, dass maschinelles Lernen helfen kann, die Voreingenommenheit von Nachrichtenquellen in großem Maßstab zu charakterisieren, schneller als es Menschen könnten. Die Forscher hoffen, das System auf andere Dimensionen von Medieninhalten auszuweiten, wie Desinformation oder Unzuverlässigkeit, und untersuchen derzeit, wie Suchmaschinen auf polarisierende Themen reagieren.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!