Media Framing through the Lens of Event-Centric Narratives
本文提出了一个将事件提取并聚类为高层叙事结构的框架，用以解释新闻媒体如何构建框架机制，并通过分析美国关于移民和枪支控制的新闻报道证明了该框架的有效性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你正在试图理解一个复杂的故事，比如一篇关于移民或枪支管控的新闻报道。通常，不同的新闻机构讲述的基本事实可能相同，但其切入的角度（即“框架”）却截然不同。一个媒体可能会说：“移民正在帮助我们的经济增长”；而另一个则会说：“移民正在抢夺公民的工作”。在传播学领域，这被称为框架（Framing）。这就像摄影师选择特定的角度和光影，使主体看起来是英雄还是反派，尽管主体本身并未改变。
这篇论文提出了一种理解这些框架是如何构建的新方法。作者认为，我们不应仅仅寻找特定的关键词（如“经济”或“犯罪”），而应该观察文本中的故事情节（Storylines）或叙事（Narratives）。
以下是他们方法的简单分解：
1. 核心理念：从关键词到故事链
把新闻文章看作是一个事件链，而不仅仅是一袋子词汇。
- 旧方法： 计算机过去通过寻找“主题标记”来工作。如果它看到了“枪”、“法律”和“法院”，它可能会猜测这篇文章是关于“合法性”的。但这就像试图仅通过阅读道具清单（一把枪、一个法槌、一辆车）来理解一部电影。你会错过剧情。
- 新方法： 作者想要追踪事件的因果关系和时间顺序。他们会问：“事件 A 是否发生在事件 B 之前？”或者“事件 A 是否导致了事件 B？”
2. 他们是如何做的：“事件侦探”框架
研究人员构建了一个像侦探一样拼凑时间线的计算机系统。以下是他们使用的逐步流程：
- 第一步：捕捉动作： 系统扫描新闻文章，并提取出动作及其目标对。例如，它会找到
(动词：“逮捕”，对象：“走私者”)或(动词：“缴纳”，对象：“罚款”)。 - 第二步：连接点滴： 系统随后检查这些动作对中的每一个，并询问：“这两个事件有关系吗？”
- 时间联系： 一个是否紧接着另一个发生？（例如：“缴纳罚款” “成为居民”）。
- 因果联系： 一个是否导致了另一个？（例如：“要求背景调查” “堵住漏洞”）。
- 第三步：构建链条： 它将这些动作对连接在一起，形成简短的故事链。
- 第四步：对故事进行分组（神奇的一步）： 在这一步，他们使用了强大的 AI（大语言模型）。AI 阅读这些短小的链条，并将它们总结成一个清晰的句子，用以解释故事的“主题”。
- 示例： AI 不仅仅看到“逮捕”、“搜查”和“走私”，它会将它们归纳为一个叙事主题，如：“当局打击人口走私行动。”
4. 他们的发现：“故事”预示着“立场”
团队在关于移民和枪支管控的新闻上测试了该系统。他们想看看这些“叙事主题”是否能解释为什么一篇文章会被设定为某种特定的框架（例如，是作为“犯罪”问题还是“经济”问题）。
- 结果： 该系统表现得非常出色。通过观察人们讲述的“故事”（事件链），计算机可以准确预测文章的“框架”。
- 类比： 如果你想知道一位厨师是在做一道辣味菜还是甜味菜，查看食材清单（关键词）是可以的。但如果你观察烹饪步骤（叙事链），你就能准确判断出最终成品的味道。
- 在移民新闻中，关于“逮捕”、“突袭”和“走私者”的故事聚集在一起，形成了“犯罪与惩罚”的框架。
- 在枪支管控新闻中，关于“法院裁决”、“修正案”和“权利”的故事聚集在一起，形成了“合法性与宪法性”的框架。
5. 为什么这很重要
作者认为，以往的方法过于笼统。它们就像是在看一片森林，然后仅仅说：“它是绿色的。”而这种新方法则观察具体的树木、它们是如何连接的，以及你穿行其中的路径。
通过关注以事件为中心的叙事（即特定动作及其后果的序列），研究人员表明，我们可以更好地理解媒体是如何构建论点的。这不仅关乎使用了哪些词汇，更关乎如何通过编排故事的顺序来引导读者得出特定的结论。
总结
简而言之，这篇论文教会了计算机不再仅仅是数单词，而是去阅读剧情。通过识别事件如何在时间和因果关系上相互关联，该系统可以将新闻故事归类为有意义的主题，从而揭示媒体是如何对移民和枪支管控等复杂议题进行“框架化”处理的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。