美国枪击暴力报道中新闻标题和主题图片的检测
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文研究了欧洲五国的No-Vax运动，利用人工标记和GPT-3.5模型分析新闻标题的框架。提出了FrameFinder工具，以提取文本构架，支持社会科学研究。同时开发了媒体帧分类器，分析《纽约时报》文章，揭示框架与事件的关系，并探讨政治争议话题的细粒度子框架，展示其在新闻媒体分析中的应用。
🔎
延伸解读
研究主题的多样性
文章汇总了多篇关于新闻框架分析的研究，涉及No-Vax运动、媒体框架分类、政治争议话题等不同主题。这些研究展示了框架分析在新闻传播领域的广泛应用，从欧洲五国的疫苗抗议到美国警察暴力报道，体现了该领域研究议题的丰富性。
方法论的演进
从人工标记到GPT-3.5微调，从主题建模到半监督学习，文章呈现了新闻框架分析方法的不断演进。FrameFinder等工具的开发，以及基于道德基础理论的无监督方法，反映了研究者如何利用新技术提升框架提取的自动化程度和准确性。
应用价值与趋势
研究不仅关注框架识别，还探讨了框架与事件的关系、长期趋势以及细粒度子框架。例如，对《纽约时报》150万篇文章的分析揭示了短期波动与主要事件的对应关系，以及“文化认同”框架的逐渐普及，为理解媒体如何构建议题提供了实证依据。
❓
Q&A
FrameFinder工具的主要功能是什么？
FrameFinder工具用于提取和分析文本数据中的构架，支持社会科学研究。
这项研究如何分析《纽约时报》的文章？
研究开发了媒体帧分类器，对从2000年到2017年发表的150万篇《纽约时报》文章进行系统分析。
短期帧丰富度波动与哪些事件相关？
短期帧丰富度波动与主要事件密切相关，研究揭示了这种对应关系。
研究中提到的细粒度子框架有什么应用？
细粒度子框架用于捕捉政治意识形态差异，分析移民、枪控和堕胎等政治争议话题。
该研究如何提高框架分类的性能？
研究使用半监督模型和自编码框架，利用未标记训练数据进一步提高框架分类性能。
这项研究对新闻媒体分析有什么贡献？
研究开辟了系统媒体框架研究的新途径，提供了可扩展的计算方法。
🏷️
