From Entity Mentions to Tone: An LLM-Based Pipeline for Media Bias Analysis

現代の世界において、私たちが読むニュースが、中立的な事実のストリームとして届くことは稀です。むしろ、それは編集者の選択や、何を見せるかを決定するアルゴリズムによってフィルタリングされています。これらのフィルターはゲートキーパー（門番）として機能し、どの物語が私たちに届き、それがどのように枠付けされるかを決定します。ある政治的出来事に関する物語は、事実が変わったからではなく、トーンや焦点が変化したために、ある媒体では勝利として、別の媒体では失敗として提示されることがあります。メディア・バイアスとして知られるこの現象は、微妙な言語の変化、特定の詳細の選択、そして異なる人物や出来事に割り当てられる感情的な重みを含むため、大規模に追跡することは困難です。数十年にわたり、これらのパターンを理解するには、人間の専門家チームが記事を一つずつ読み、分析する必要があり、それはインターネットの速度に追いつけない、遅くて高価なプロセスでした。

研究者たちは、これらの微妙なバイアスの検出を自動化することを目指して、人工知能を活用し始めています。しかし、多くの地域において大きな障壁が残っています。ほとんどの高度な言語ツールは英語のような主要言語向けに構築されており、より小さな言語には、自国のニュースを分析するための信頼できるソフトウェアが不足しているのです。これらの地域では、専門的なツールの欠如により、「特定の出来事をどのニュースソースが取り上げたか」や「異なる媒体が同じ公人をどのように記述したか」といった基本的な問いにさえ、一貫して答えることが困難なままとなっています。これらのツールがなければ、情報がいかに形作られ、流通しているのかという全体像を把握することは困難です。

アルバニアのティラナ大学の研究チームは、この格差を埋めるための新しいアプローチを開発しました。彼らは、専用のデジタルツールが極めて少ない言語であるアルバニア語で書かれた数千の記事を読み取るために、強力で汎用的な言語モデルを使用するシステムを構築しました。このシステムは単にテキストを読み取るだけではありません。分析のために、文章を3つの明確なレイヤーに分解します。第一に、記事をトピックや特定の出来事にグループ化し、どのような物語が語られているかを確認します。第二に、それらの物語の中で言及されている人物や組織の名前を特定します。第三に、そしておそらく最も重要なこととして、文章の感情的なトーンを測定し、人物や出来事の報道が肯定的、否定的、あるいは中立的であるかを判断します。これらのレイヤーを組み合わせることで、このパイプラインは、あるニュースソースが何をカバーすることを選択しているかだけでなく、その物語に関わる人々をどのように描写しているかまでも描き出すことができます。

システムをテストするために、研究者たちは2026年4月に発行された、124の異なるアルバニアのニュースソースからの計8,358の記事を集めました。彼らはこれらの記事を、高度な言語モデルのローカル版を使用したパイプラインに投入し、必要なデータを抽出しました。目的は、大規模で既存の人間によるラベル付け済みのデータベースを必要とせずに、この自動化された手法が信頼できる結果を生み出せるかどうかを確認することでした。研究者たちは、自動化されたツールを使用してニュースを追跡する大規模なグローバルデータベースであるGDELTが提供するアノテーション（注釈）と、彼らのシステムの出力を比較しました。比較の結果、両システムの間には中程度の一致が見られ、この新しいパイプラインが確立された手法と同様の方向性で機能していることが示唆されました。さらに重要なことに、研究者たちは、GDELTシステムが見落としていた多くの人物への言及を、彼らのシステムが特定したことを発見しました。公人を捕捉し損ねることは、異なる媒体がその人物をどのように扱っているかという理解を歪めてしまう可能性があるため、この追加の名称を捉える能力はバイアス分析において極めて重要です。

また、研究では、言語モデルに与える2種類の異なる指示（プロンプト）をテストし、どちらがより効果的であるかを確認しました。一方の指示セットは厳格なもので、モデルに対して、割り当てた感情ラベルが数値スコアと一致していることを確認するために、自身の作業をダブルチェックすることを要求しました。もう一方は、より単純で高速なものでした。厳格な指示は、ラベルとスコアの間の不一致を排除しましたが、同時にプロセスを大幅に遅らせ、処理した記事のほぼ半分に対してラベル付けをスキップさせる原因となりました。単純な指示は、多少の不一致を生じさせたものの、より多くのニュースコレクションを分析することを可能にし、はるかに高速に動作しました。研究者たちは、ニュースを継続的に監視するために設計されたシステムとしては、少数の不一致は単純なルールで後から修正できるため、より速く広範なアプローチの方が実用的であると結論付けました。

このパイプラインによって生成されたデータを用いて、研究者たちは異なるニュースソースがどのように運営されているかの詳細なプロフィールを作成することができました。彼らは、一部の媒体がトピックを一貫して好意的なトーンで枠付けしている一方で、他の媒体は体系的により批判的であることを発見しました。システムはまた、特定の公人を追跡することができ、同じ人物が一方の新聞では肯定的なトーンで、別の新聞では否定的なトーンで記述される様子を示しました。例えば、分析によれば、特定の政治家の報道は情報源によって大きく異なり、ある媒体ではほぼ完全に肯定的な報道を行う一方で、他の媒体では主に批判的な報道を行っていました。さらに、システムは「ゲートキーピング」的な出来事、つまり、ごく少数のソースによってのみカバーされ、メディア環境の他の大部分からは無視されている物語を特定することができました。これにより、研究者たちはニュースのトーンだけでなく、特定の物語の到達範囲や、どこで情報が集中または遮断されているのかを可視化することができました。

この研究は、言語固有のトレーニングデータを必要とせずに、低リソース言語におけるメディア・バイアスを分析するための構造化された自動システムを構築することが可能であることを証明しています。研究者たちは、このツールは人間の判断や専門家によるレビューに取って代わるものではなく、むしろ迅速な出発点として機能することを強調しています。それは、膨大な記事のコレクションを、より簡単に検査可能な明確なシグナルへと変えるものです。名前、トピック、およびトーンの初期抽出を自動化することで、人間がゼロから読む必要のある資料の量を削減します。これは、継続的なモニタリングが困難であり、専門的な言語ツールが乏しい環境において特に価値があります。研究者たちは、このアプローチが他の言語や地域にも適用可能な再現可能なブループリント（設計図）を提供し、ニュースがいかに枠付けされ、誰が公的な会話の中で声を上げているのかを可視化する方法を提示していると示唆しています。