本研究探讨了大型语言模型（LLMs）在自动化新闻创作中可能导致的框架偏见问题。研究发现，LLMs在政治和社会敏感背景下的框架表现存在明显差异，且不同模型的框架倾向差异显著。因此，需要有效的减偏策略和严格的框架评估，以确保新闻报道的均衡性。

本研究提出了一种个性化新闻标题生成框架（FPG），旨在解决事实一致性不足的问题。FPG通过评估候选新闻与历史点击新闻的相似性，平衡个性化与一致性，并利用对比学习增强标题的事实一致性。实验结果表明，FPG在个性化与事实一致性方面具有显著优势。

本研究解决了非洲语言新闻标题生成的缺乏相关数据集问题，提出了AfriHG数据集，该数据集结合了XLSum和MasakhaNEWS数据。实验结果表明，专注于非洲的seq2seq模型AfriTeVa V2在性能上优于多语种模型mT5-base，且其Fine-tuning性能与Aya-101 LLM相当，显示出对非洲语言处理的显著潜力。

本研究推出了MediaSpin数据集，包含78,910对新闻标题及13种偏见类型的标注，旨在推动自动偏见检测模型的发展。

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。

本文探讨了新闻图像标题生成任务，提出了一种多模态实体感知对齐框架，以提升模型性能。实验结果表明，该方法在GoodNews和NYTimes800k数据集上显著提高了CIDEr分数，展示了多模态大型语言模型在处理实体信息方面的潜力。

本研究探讨了大型语言模型（LLMs）在虚假信息检测中的应用，发现LLMs生成的误导信息比人类更难检测，可能造成更大危害。研究提出了改进假新闻检测器的策略，并发布了相关数据集以提高检测准确性。同时，评估了LLMs在去偏见化和数据预处理中的潜力，结果显示其存在偏见和局限性。

该研究创建了一个包含近4亿个正面语义相似性对的语义相似性数据集，跨越70年，旨在提升自然语言处理任务的效果。同时，介绍了多个新闻数据集及其在处理假新闻和多语言总结中的应用，推动了NLP研究的发展。

利用各种提示设计，在新闻标题的有针对性情感分析中，调节 LLM 模型的性能。

本研究提出了FrameFinder，一种用于提取和分析文本数据中构架的开放工具。通过三个角度视觉化地表示文本的构架，展示了该解决方案在支持社会科学研究方面的优势，并呼吁将其纳入信息交互的后续整合。