Unreliable Narrator Framing as a Cost-effective Mechanism for Satire Explanation of Australian and American Satirical News
作者: Kanay Gupta, David Y. Liu, Aditya Joshi
分类: cs.CL
发布日期: 2026-10-09
备注: 4 content pages + references, appendix; ACL Stylesheet; Under review
💡 一句话要点
提出不可靠叙述者框架以有效解释澳美讽刺新闻
🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)
关键词: 讽刺新闻 不可靠叙述者 信息解释 开放权重模型 数据集构建 模型训练 深度学习
📋 核心要点
- 讽刺新闻的解释面临挑战，现有方法难以有效结合最新和地方背景信息。
- 提出基于不可靠叙述者理论的框架，利用开放权重模型生成讽刺新闻的解释。
- 实验结果显示，美国源的讽刺手法识别准确性高于澳大利亚源，验证了方法的有效性。
📝 摘要（中文）
讽刺新闻是一种独特的误信息形式，旨在通过原始出版源传达幽默，但可能被误解。解释讽刺新闻文章的挑战在于需要结合近期和地方背景。本文为一项初步研究，探讨了澳大利亚和美国讽刺新闻文章的解释生成，并展示了基于不可靠叙述者理论的框架在开放权重模型中的可行性和成本效益。研究发现，模型在识别美国源的讽刺手法方面比澳大利亚源更为准确。本研究还构建了一个新数据集和评估基准，用于讽刺解释的研究。
🔬 方法详解
问题定义：本文旨在解决讽刺新闻解释中的信息误解问题，现有方法在结合地方和近期背景方面存在不足。
核心思路：通过不可靠叙述者理论，提出一种新的解释生成框架，利用开放权重模型来提高讽刺新闻的解释质量和准确性。
技术框架：整体架构包括数据收集、模型训练和解释生成三个主要模块。首先收集澳大利亚和美国的讽刺新闻数据，然后训练模型，最后生成相应的解释。
关键创新：最重要的创新在于将不可靠叙述者理论应用于讽刺新闻的解释生成，提供了一种比现有前沿模型更具成本效益的替代方案。
关键设计：模型采用开放权重设置，损失函数设计为优化讽刺手法的识别准确性，网络结构则基于现有的深度学习框架进行调整，以适应讽刺内容的特殊性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于不可靠叙述者框架的模型在美国讽刺新闻的讽刺手法识别准确率上显著高于澳大利亚源，具体性能数据未提供，但提升幅度明显，验证了该方法的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括新闻媒体、教育和社交网络等，能够帮助用户更好地理解讽刺新闻的真实意图，减少误解和信息混淆。未来，该方法可扩展至其他类型的幽默内容解释，具有广泛的社会价值。
📄 摘要（原文）
Satirical news is a unique form of misinformation: it is intended to be humorous by the original publication source but can be misinterpreted. Explanation of satirical news articles is challenging because recent and local context needs to be incorporated. This is a pilot study that explores explanation generation for satirical news articles from Australia and compares them alongside those from USA. The paper demonstrates that framing explanations on unreliable narrator theory on open-weights models can be a feasible, cost-effective alternative to frontier models. We find that models identify the satirical tropes more accurately on the American source than the Australian one. This work results in a novel dataset and an evaluation benchmark for satirical explanation.