arXiv · NLP· Bryan Li, Samar Haider, Grace Kim, Fiona Luo, Jinqi Luo, Yuan Yuan, Duncan Watts, Ren\'e Vidal, Chris Callison-Burch·· 4 小时前AI 评分39
WorldStateMedia：涵盖1.36亿篇国家媒体文章的多语言开放数据集
The World as Viewed by 136 Countries: An Open, Curated, Annotated, and Multilingual Dataset of 118 Million State Media Articles
AI 导读
研究团队发布WorldStateMedia，这是一个包含1.36亿篇来自136个国家、114种语言国家媒体文章的开放数据集。 该数据集通过标注媒体受控级别来审计预训练语料库，发现2025年英文网络爬取中受编辑控制的国家媒体占比达93%。RAG实验表明，检索特定国家的国家媒体会显著使模型答案偏向该国的领土主张。
来源：arXiv · NLP · arxiv.org