本研究通过微调RoBERTa模型，解决了媒体偏见检测问题，利用专家注释的BABE数据集实现句子级偏见分类，显著提升了性能，为更强大的NLP系统奠定基础。

本研究提出了ViLBias框架，结合语言模型与视觉-语言模型，提升偏见新闻检测的准确性3至5%。该方法为媒体偏见检测提供了更强大且可扩展的解决方案。

本文探讨了流行度排序算法对信息传播的影响，指出热门效应导致物品流量不平衡，并分析了媒体报道中的偏见。研究提出了多样性测量框架，并探讨了新闻评论差距及其对公正讨论的影响。

本文探讨了在线新闻机构在标题设计中的策略，分析了标题情感极性与新闻受欢迎程度的关系。研究发现媒体报道存在偏见，尤其在政治和社会问题上，并通过自然语言处理技术研究了新闻推荐系统的碎片化问题，提出了改进方法。

本文研究了新闻媒体报道的真实性和偏见，提出了多种模型和系统（如RELIANCE和MediaRank）用于自动检测假新闻和评估新闻质量。研究表明，结合不同模型和特征可以显著提高识别可信信息来源的准确性。

本研究利用道德事件数据集和MOKA框架，分析新闻报道中的道德事件选择性和意识形态倾向，揭示媒体如何通过道德语言影响公众舆论。研究发现，新闻报道的倾向性可通过比较不同文章获得，媒体在塑造观点时存在高层次偏见。

本文评估了基于Transformer的文献综述生成模型，发现自动生成的摘要已接近人工撰写，但仍面临幻觉和信息不足的挑战。同时，强调了多个数据集在自然语言处理中的应用，特别是对媒体偏见和新闻叙述结构的分析价值。

本研究使用计算语言分析框架分析了《纽约时报》1986年至2015年关于LGBTQ人士的文章，发现LGBTQ人士的被人性化描述逐渐增加。研究揭示了边缘化群体语言变化和变异的过程，对自动检测和理解媒体偏见及虐待性言论具有重要意义。