【论文阅读】Misinfo Reaction Frames: Reasoning about Readers’ Reactions to News Headlines

标题: 错误信息反应框架: 推理读者对新闻标题的反应
期刊: ACL 2022

Contribution:

1. 提出错误信息反应框架 (MRF)，来模拟读者对新闻标题的反应。
   （这里说的反应不只局限于正负面的二分类情感，而是更细微的情感or意图）
2. 将机器生成的MRF语义与新闻标题一起展示给读者，能够增加真实新闻的可信性、减少虚假新闻的误解性。

Introduction

1. 若想有效预测新闻标题如何影响读者，需要了解读者如何看待真假新闻背后的意图。
2. 【错误信息反应框架】MRF包括：
   • Writer Intent：来自读者对作者意图的解释（读者认为作者是怎么想的）
     【举例：“有些口罩比其他口罩好。”】
   • Reader Perception：读者对新闻标题的反应
     (include emotional reactions and observations)
     【举例：“feeling angry.”】
   • Reader Action：看到标题后读者会怎么做（重点在action）.【举例：买口罩】
   • Likelihood of Spread：衡量新闻被分享的可能性。【举例：4/5】
   • Perceived Label：感知标签，即读者认为该新闻是真or假。【real】
   • Gold Label：新闻的客观真实性。

语料库

构建语料库包括两个步骤：新闻标题收集，众包注释。

Modeling Reaction Frames（建模反应框架）

在大规模语言模型上进行建模：

对于自由文本推理（如作者意图，读者感知）：用生成式语言模型–T5/GPT2。
对于分类推理（如新闻真假标签）：使用生成模型或基于Bert的判别模型。

Controlled Generation

对于生成模型（用于推断任务），采用以下输入序列：

h：长度为T的新闻标题
St：话题控制向量
Sd：控制维度（是MRF中的哪个）
x：输出为代表预测推断结果的短序列

推断：

We predict each token of the output inference starting from the topic token St until the [eos] special token is generated.
用beam search进行解码，因为：beam search are known to be less diverse but more factually aligned with the context.

分类

对于分类模型，使用以下输入序列：

训练

Masked Fine-Tuning