같은 사실을 긍정적인 틀 또는 부정적인 틀로 제시하는 가치 프레이밍(valence framing)을 다룹니다. 예를 들어 "GDP 2.3% 성장"을 "견조한 성장세"로 쓰면 긍정, "성장 둔화 우려"로 쓰면 부정입니다. 코드: https://github.com/likeramm/econ-framing-bias - 방법: LLM 라벨을 소형 모델로 옮기는 지식 증류. klue/roberta-large를 파인튜닝했습니다. - 라벨: gpt-5.5가 라벨링 가이드라인 프롬프트(v2)로 판정한 결과 (OpenAI Batch API) - 학습 8,866 / 검증 1,900 / 테스트 1,901 (층화 분할, seed 42). 검증셋으로 모델을 고르고, 테스트셋으로 최종 보고 - 입력: 제목 [SEP] 본문 앞 500자, 최대 256 토큰 - 설정: lr 1e-5, batch 4 × gradient accumulation 2, 최대 6 epoch(조기 종료 patience 2), 클래스 가중 교차엔트로피, FP16, RTX 4060 테스트셋 (n=1,901, 정답 = gpt-5.5 라벨) 사람 라벨과의 일치도 (파일럿 50건, 학습 제외): 정확도 0.74, Cohen's κ 0.58 - 중립이 가장 어렵습니다. 사람과 LLM의 판단도 중립에서 가장 많이 엇갈립니다. - 사건의 좋고 나쁨에 끌리는 경향이 있습니다. "GDP 2.3% 성장…
Independent publisher
Joaram
likeramm
Models in Library1
Datasets in Library0
Models on Hugging Face2
Followers—
Compare the published evidence
This profile connects the 1 model and dataset record shown below to their upstream cards and sources. The library counts describe SAVRN's coverage, rather than this publisher's entire output.
Published tasks: Text classification.
Reported licenses: cc-by-sa-4.0. Open a record to review its specific license and conditions.
Compare model specifications, source dates, and hardware estimates on the individual records. Publisher identity verification is separate from a model's quality, deployment readiness, or suitability for your work.