SENTINET: a deep sentiment analysis network for political media bias detection

Resumen

La India es el país con mayor tirada de periódicos del mundo, pero desgraciadamente también tiene altos índices de parcialidad en los medios de comunicación y una de las clasificaciones de libertad de prensa más bajas de las democracias. La parcialidad de los medios de comunicación influye incluso en las urnas, ya que la propaganda puede sesgar las decisiones de los votantes y su percepción de lo que es cierto en esta era de noticias falsas. Es vital vigilar la parcialidad de las noticias y proporcionar una plataforma en la que la gente pueda obtener noticias imparciales y fiables. Los investigadores del análisis de sentimientos y la detección de sesgos han utilizado diversas técnicas para lograr una mayor precisión. Este estudio tiene como objetivo la detección de sesgos en los medios de comunicación políticos indios proponiendo SentiNet, un modelo de red neuronal de convolución (CNN) modificado y entrenado por una unidad de procesamiento gráfico (GPU) que consiste en convoluciones separables en profundidad y linealmente invertidas, capaz de clasificar las noticias como “imparciales” o “sesgadas” a partir de los datos de Twitter. Debido a su sencilla arquitectura y al menor número de parámetros de ajuste, se observa que SentiNet se ajusta bien en términos de precisión y función de pérdida y su tiempo de entrenamiento se reduce en un 50% cuando se utiliza una GPU. Considerando los 5 principales medios de comunicación, se observa que el Canal 1 y el Canal 2 resultaron ser los más sesgados hacia el partido gobernante y los partidos de la oposición, respectivamente. El Canal 3 y el Canal 5 se mostraron imparciales hacia el partido en el poder con una información equilibrada. El Canal 4 ha resultado ser imparcial hacia los partidos de la oposición. Del discurso político de Twitter se desprende que los partidos hablan de sí mismos o de los partidos de la oposición y rara vez de temas de interés nacional. Aparte de los gobiernos, el modelo propuesto puede extenderse a otras redes sociales y ser utilizado por las empresas para medir el sesgo de los clientes en cualquier producto o servicio.