基于机器学习的新闻论证结构研究——以Bert模型与主流媒体新闻评论为例

新闻报道是叙述新闻事实的文本,评论是对新闻事实进行论证的文本。新闻评论相较于新闻报道更直接表达立场、价值与意识形态,为新闻学研究提供了丰富的文本资源,对新闻论证的研究也存在较广阔的理论创新空间。本文以图尔敏模型为基础,形成一套测量新闻评论的量表,同时使用人工编码的方式处理多篇中央主流新闻媒体的新闻评论文本,形成6109个编码单元。使用机器学习算法(基于Bert模型),以监督学习的方式使机器探索并掌握人工编码的规则。机器学习共有4个独立任务,使用4个学习模型,最终调和准确率(f1 score)分别为95.758%、63.901%、83.794%和84.766%,学习效果整体较优。本文为进一步探索新闻论证提供了工具,以实现对新闻评论更广泛与深入的研究。

西方新闻论证概念的五个维度及其现代性演进

西方新闻界将"新闻论证"抽象出来作为一个独立概念加以研究并逐步进行了宽泛化理解使之涵化了诸如逻辑的、语用的、辩证的、甚至修辞(受众导向的)的、视觉的多个维度。这本质上就是不断增加其功能性内涵,以使其适应更广阔的、日常化的新闻论域的现代性演进过程。这一概念的泛化也反映了西方新闻论证评价标准的流变,最终形成的由语用论辩理论改造的新闻论证评价的"好论证"标准,解决了新闻论证实践的单调性和"明希豪森困境"等理论问题。