🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
新闻框架指的是媒体在报道一件事时，选择强调哪些方面、忽略哪些方面，从而悄悄影响读者怎么理解这件事。同一场冲突，有的报道突出军事打击，有的报道突出平民伤亡，读者看完的感受会很不一样。过去二十年，计算传播学主要用有监督的机器学习来识别框架：先请人给成千上万篇报道贴上框架标签，再拿这些标注去训练分类器。这种办法在英文大媒体上效果不错，但有两个明显短板。第一，它离不开大量人工标注，成本很高；第二，它必须预先设定一套框架清单，遇到全新的突发事件，或者阿拉伯语这类低资源语言，原有清单往往不够用。于是，一个不用标注、也不预设分类的框架检测办法，就成了值得探索的方向。
② 研究问题（要回答什么？）
这篇文章要回答四个问题。第一，关联规则挖掘这种原本用于超市购物篮分析的技术，能不能在没有任何标注、没有预设框架类别的情况下，从大规模新闻语料里找出有解释力的框架模式。第二，如果真的能找到，英语世界对加沙战争的报道呈现出哪些框架，这些框架在不同媒体层级、不同时间段，以及标题和正文之间有什么差别。第三，把算法从频繁项集增长较慢的旧方法换成更省内存的新方法，并把分析单位从整篇文章缩小到句子，能不能得到更具体的框架，代价又是什么。第四，和现有那些依赖大模型或人工编码的方法相比，这种办法在标注成本、结果可读性和新闻业可用性上到底处在什么位置。
③ 研究方法（怎么做的？）
研究的主战场是一个叫“加沙框架”的语料库，包含十六家来自美国、英国、法国和德国的英文媒体，时间从二零二三年十月到二零二四年十月，整整一年，共两万五千五百一十二篇报道。作者把每篇报道或每条标题看成一次“交易”，里面装着一篮子经过词性筛选的词和词组，然后用关联规则算法找出经常一起出现、且出现频率远高于随机水平的组合。为了不让发稿量大的媒体一家独大，作者按每家媒体文章数的平方根倒数加权，也就是说，发得越多，单篇的分量越轻。规则还要经过提升度筛选、主题标注和闭环规则过滤，最后由记者型研究者回到原文语境里判断，这条共现到底算不算一个真正的框架。作为方法验证，作者还分析了二零二六年伊朗战争头十天的阿拉伯语报道，共一千五百七十五篇，改用更省内存的算法并做到句子级。
④ 结果（发现了什么？）
加沙标题分析一共得到三千一百八十九条规则，提升度从一点零到一百三十点五不等。最扎眼的发现是“以色列—打击—杀死”这个军事框架：它出现在十六家媒体中的十四家，平均提升度八点七，置信度五成六；范围更宽的“打击—杀死”出现在十五家。另一个跨媒体最稳的组合是“西岸—以色列”这组地名，十六家全部出现，提升度高达五十八点三，不过作者提醒，这更像是在说明大家都在谈西岸，本身未必等于一个框架。人道主义方面，“希法—医院”在十二家媒体出现，提升度三十八点八。正文分析得到二十一万多条规则，提升度普遍低得多，最高只有六点三，最突出的是哈马斯卫生部的伤亡数字来源框架。按月看，算法还在没有任何事件标注的情况下，自动对上了汗尤尼斯、世界中央厨房、西岸、黎巴嫩等阶段的报道重心转移。
⑤ 讨论（这些发现说明什么？）
作者认为，最稳的发现是标题和正文之间的框架分工。标题的提升度能冲到一百三十点五，围绕的是“杀死”“恐怖”“哈马斯”这类情绪浓、政治意味强的词组；正文的提升度最高只有六点三，更多是卫生部、总理、西岸袭击、停火谈判这类机构名称和程序性说法。这说明标题是编辑部主动做框架的地方，而正文大量转述通讯社、官方声明和伤亡数字，框架被稀释了。作者也坦承方法有软肋：共现本身不等于框架，最后一步必须靠人读上下文来判断；加沙正文只能以整篇文章为单位，句子级的细节可能被平均掉；停用词表和加权方式都是反复试出来的，换一套参数结果可能变。更关键的是，完整流水线包括阈值、加权、主题词典和过滤逻辑都没有开源，只放出了预处理代码，别人很难原样复现。
⑥ 结论（最终结论 + 启示）
总的来看，这篇文章证明了关联规则挖掘可以作为一种不用标注、不预设类别的框架检测工具。它最大的价值不是给出一个自动打标签的黑箱，而是把统计上异常稳定的词语共现摆到人面前，再由研究者回到语境里确认，这到底是框架，还是只是大家都在谈同一个地方。作者提出的另一条验证标准也很有意思：一条规则算不算有用，不看它和人工标注吻合多少，而看独立编辑部能不能据此写出经得起核查的报道。目前已经有两篇这样的调查报道发表。对新闻编辑室和传播研究者来说，这套办法成本低、可解释、对低资源语言友好；但要真正成为标准方法，还需要补上跨语言对照、句子级的大规模检验和编码者一致性研究。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
计算传播学中的框架分析长期由有监督分类主导：Media Frames Corpus（Card et al., 2015）标注十五个通用框架维度，Semetko 与 Valkenburg（2000）的五类通用框架成为事实上的标准分类体系，但这类方法需要大规模人工标注，且预设分类难以覆盖新事件与低资源语言。Ali 与 Hassan（2022）的综述把有监督分类与无监督主题建模列为两大范式，并指出后者的根本缺陷是“检测在谈什么，而非怎么谈”。Otmakhova et al.（2024）同样强调无监督方法缺少框架层面的判别力。加沙战争报道已有若干计算研究：FIGNEWS 2024 共享任务标注多语种偏见与框架；Kaur 与 Arora（2025）用大模型和 Galtung 的战/和平新闻框架分析 2023 年 10 月至 2024 年 2 月的报道；Pastorino, Sivakumar 与 Moosavi（2024）评估 GPT-4、GPT-3.5 与 FLAN-T5 的框架检测一致性。本文的差异在于：完全无标注、无预设框架清单，覆盖冲突完整第一年、十六家媒体，并把计算输出直接接到已发表的调查报道。作者提出四个研究问题，分别对应方法的可行性、加沙报道的框架结构、Apriori 与 FP-Growth 及文档级与句子级的取舍、以及与既有计算框架分析方法的比较。
I. Theoretical Framework & Hypotheses（理论框架与假设）
理论支点来自 Gamson 与 Modigliani（1989）的“浓缩符号”（condensing symbols）：框架通过反复共现的固定短语、范例和隐喻来承载，因此高提升度的词语共现正是浓缩符号的统计签名。Entman（1993）的四功能——问题定义、因果解释、道德评价、治疗建议——提供了把规则映射回框架功能的解释框架。作者据此设定一个两步判据：一条规则只有同时满足（i）高提升度（统计上的独特性）与（ii）绑定评价性、归因性或关系性成分，而非仅仅是实体或地名的共指，才算框架显著。按此判据，{停火, 袭击} 因为把外交词汇嵌入军事命题语境而算框架；{西岸, 以色列} 虽然提升度极高，却主要标记话题相关性，除非同时出现评价成分。这一步由记者型研究者在语境中完成，被作者视为方法的构成部分而非补救措施。
| 编号 | 研究问题 | 对应理论/方法 |
|---|---|---|
| RQ1 | ARM 能否在无标注、无预设类别下给出可解释的框架模式 | Gamson 与 Modigliani 浓缩符号；Entman 四功能 |
| RQ2 | 加沙报道的框架结构及媒体层级、时间、标题与正文差异 | 框架功能映射；闭环规则跨平台一致性 |
| RQ3 | FP-Growth 与句子级交易是否产生更具体框架，代价如何 | Apriori 最坏 O(2^|I|) 对 FP-Growth O(|D|×l) |
| RQ4 | 与既有计算框架分析在标注、可解释性、新闻可用性上的比较 | 有监督分类、主题模型、依存句法、LLM 框架检测 |
M. Materials & Methods（材料与方法）
研究设计为两个案例的框架检测：主案例 Framing Gaza 与验证案例 Seven Days。Framing Gaza 语料含 25,512 篇英文报道，来自 16 家媒体，覆盖美国（NYT、Washington Post、Fox News、NY Post、Newsweek、CNN）、英国（Daily Mail、Guardian、Independent、BBC、Sky News）、法国（France24）与德国（DW），时间窗 2023-10-07 至 2024-10-07；采集结合 News Please 与 Media Cloud，最小媒体为 Reuters（293 篇），最大为 Daily Mail（5,190 篇）。Seven Days 语料含 1,575 篇阿拉伯语报道，来自 BBC Arabic、RT Arabic、Al Jazeera、Sky News Arabia、Al Arabiya 五家泛阿拉伯平台，窗口为 2026-02-25 至 03-06 共十天（美以打击伊朗前三天加开战后七天）。
英文预处理：去模板；NLTK 分词；spaCy en_core_web_sm 词性标注；WordNet 词形还原；NLTK 停用词加 60 余条自定义停用词；仅保留 (NOUN,NOUN)、(ADJ,NOUN)、(VERB,NOUN)、(NOUN,VERB) 四种词性模式；生成一元至三元 n-gram，词长至少四个字符，下划线连接成分不超过两个。阿拉伯语预处理：去变音符号、归一化 Alef 变体与 Alif Maqsura、去 Tatweel；基于人工词表的贪心最长匹配多词表达预合并；ISRI 词干化；阿拉伯语停用词；模板去除。平台加权为 1/√n，n 为该媒体文章数；Daily Mail 权重 0.0139，Reuters 权重 0.0584。Apriori 用于 Gaza，FP-Growth 用于 Seven Days，均经 mlxtend 实现。主题标注分军事、人道、外交、地缘政治、区域、其他六类；提升度分级为弱（<2）、中（2–5）、强（5–10）、极强（≥10）。闭环规则过滤在主题非 Other 且 lift≥1.5 后执行，使各平台标题规则减少 32%–68%（NYT 19,724 条降至 8,232 条；BBC 保留 10,993 条）。
| 项目 | 文本类型 | 交易单位 | 理由 |
|---|---|---|---|
| Framing Gaza | 标题 | 整条标题 | 短文本，文档即自然单位 |
| Framing Gaza | 正文 | 整篇文章 | 25,512 篇规模下句子级 Apriori 内存溢出 |
| Seven Days | 标题 | 整条标题 | 短文本，文档即自然单位 |
| Seven Days | 正文 | 句子/分句（按 . ، ? ! 切分） | 语料较小且 FP-Growth 高效，可细分 |
| 项目 | 文本 | 层级 | 最小支持度 | 最小置信度 | 提升度过滤 |
|---|---|---|---|---|---|
| Gaza | 标题 | 总体（加权） | 0.1% | 10% | >1 |
| Gaza | 标题 | 分平台 | 0.1% | 10% | >1 |
| Gaza | 正文 | 总体（加权） | 0.7%（加权计数） | 70% | >1 |
| Gaza | 正文 | 分平台 | 0.7%（加权计数） | 70% | >1 |
| Seven Days | 标题 | 总体（加权） | 0.5% | 5% | >1 |
| Seven Days | 正文 | 总体（加权） | 0.5% | 5% | >1 |
R. Results（结果）
标题层面。Gaza 标题分析共得 3,189 条规则（高媒体层级 2,716、中层 381、低层 92），提升度 1.0–130.5。最高提升度的实质框架规则是 {kill, group} → {terror, Hamas}（lift 52.9，confidence 82%，support 0.15%，高 tier），把群体的致命暴力系统框定为恐怖行动；{Palestinian, strike} → {kill, Israeli} 在 mid-tier 与 high-tier 的 lift 分别为 19.7 与 16.2（support 0.26%–0.15%），把巴勒斯坦人置于受影响方、以色列置于施动方。{police, Palestinian} → {arrest}（lift 35.3，confidence 35%）与 {London, Palestinian} → {police}（lift 33.6）构成抗议者的执法框架。
平台级闭环规则（16 家全覆盖）。西岸三元组 {bank} → {west, israeli} 在 16/16 家出现（mean lift 58.3，mean confidence 97.8%），方向变体 {israeli, bank} → {west}（lift 50.8，conf 99.4%）、{israel, bank} → {west}（lift 49.6）；{west, bank} → {israeli}（lift 3.49）同样 16/16。作者强调它主要标记话题相关性而非框架本身。军事框架 {israeli, strike} → {kill} 覆盖 14/16（mean lift 8.7，conf 56.5%）；{strike} → {kill} 15/16（lift 4.8）；{israeli, airstrike} → {kill} 仅 6 家但 lift 17.8、conf 87.1%；{airstrike} → {kill, israeli} 6 家、lift 30.9；伊朗相关 {israel, attack} → {iran} 与 {israel, iran} → {attack} 各 12/16、lift 5.1；胡塞武装 14/16、lift 6.6。人道框架 {hospital} → {gaza} 15/16（lift 2.55，conf 75.1%）；{blast, gaza} → {hospital} 13/16（lift 27.4，conf 71.8%）；{shifa} → {hospital} 12/16（lift 38.8，conf 94.3%，100 条中含 hospital 者 94 条）。外交框架 {talk, gaza} → {ceasefire} 9/16（lift 17.1，conf 54.4%），{talk} → {ceasefire, gaza} 9/16（lift 14.7）；Khan Younis 标题闭环规则见于 6 家，lift 257.1，双向 conf 88.8% 与 100%。
正文层面。共 212,396 条规则；主题分布区域 100,142（47%）、Other 65,420（31%）、军事 28,708（14%）、外交 10,097（5%）、人道 6,267（3%）、地缘政治 1,762（1%）；lift 1.0–6.3。最突出的是哈马斯卫生部节点 {hamas_health} → {hamas_health_ministry}（support 16.1%，lift 6.0–6.3），把伤亡数字绑定到单一机构来源；{kill, hamas_health} → {hamas_health_ministry} 与 {israeli, hamas_health} → {hamas_health_ministry} 的 lift 均为 6.0。停火—袭击共现 {cease_fire, attack} → {cease}（support 17.0%，lift 4.68）及其逆向规则，把停火嵌入军事命题语境。
月度轨迹（12 个可比月）。闭环规则数从 2023 年 11 月的 1,770 条增至 2024 年 9 月的 6,848 条；2024 年 10 月因周年报道堆积（原始规则 715,661 条，其他月 36,000–131,000 条；闭环 89,001 条）被排除比较。最高提升度集群依次为：2023-10/11 内塔尼亚胡（6.32/6.53，conf 100%）；2023-12 汗尤尼斯 5.98，2024-01 峰值 6.67（该窗口最高）；2024-02 停火 5.48（conf 99.6%）；2024-03 加沙卫生部 5.95；2024-04 世界中央厨房 6.43（conf 97.8%，100%）；2024-05 内塔尼亚胡 5.98；2024-06 卫生部 6.14；2024-07 西岸 5.06（conf 99%/100%）；2024-08 内塔尼亚胡 5.66；2024-09 停火 5.37，同时军事主题闭环规则升至 2,379 条（前几个夏季月 317–667 条）、地缘政治 619 条。
Seven Days 验证。FP-Growth + 句子级编码得 191 条标题规则、1,781 条正文规则；正文 lift 最高 185.7（{defense, interception} → {Saudi Arabia, destruction}，conf 98%），远高于 Gaza 正文的 6.3。标题最高 lift 57.7（{war, American} → {Israeli, Iran}，conf 52%），{Israeli Army} → {announces, Iran} lift 20.6。海湾媒体围绕哈梅内伊遇刺形成“继任危机”框架，RT Arabic 则把哈梅内伊与德黑兰绑定为首都国家元首。
| 规则 | 支持度 | 置信度 | 提升度 | 层级 | 主题 |
|---|---|---|---|---|---|
| {kill, group} → {terror, Hamas} | 0.15% | 82% | 52.9 | High | regional |
| {kill, terror} → {group} | 0.16% | 89% | 44.3 | High | Other |
| {Palestinian, Middle} → {East} | 0.14% | 100% | 47.5 | High | Other |
| {police, Palestinian} → {arrest} | 0.11% | 35% | 35.3 | High | Other |
| {London, Palestinian} → {police} | 0.12% | 45% | 34.5 | High | Other |
| {Palestinian, strike} → {kill, Israeli} | 0.26% | 73% | 19.7 | Mid | military |
| {kill} → {Israeli} | 5.20% | 52% | 2.35 | High | regional |
| {Israel} → {Hamas} | 21.6% | 43% | 1.42 | High | regional |
a / D. Discussion & Conclusion（讨论与结论）
标题—正文分化。这是跨两个项目最稳健的发现：Gaza 标题 lift 上限 130.5、正文 6.3；Seven Days 标题 57.7、句子级正文 185.7。方向上一致——标题产生更极端的框架集群，正文更接近程序性词汇。作者解释，标题是编辑与商业行为，追求政治或情绪共鸣；正文在文档级混合了编辑框架与通讯社、官方声明、伤亡数字等机构内容，因而稀释了框架。作者也指出文档级编码可能压低这一分化，句子级编码才是更锐利的检验。
与替代方法比较。相比 Kaur 与 Arora（2025）的 LLM + Galtung 框架，ARM 缺少句子级的施动者/受害者语义角色识别，这是真实的能力缺口；但 ARM 的 lift 确定、可复现、不依赖 API、规则可被非技术记者直接阅读，而 LLM 输出随模型版本与提示词漂移。相比主题模型与社区检测，ARM 输出的是可解释的 if-then 规则而非主题词表，但同样需要人来判断框架意义。
局限。（1）解释依赖：高 lift 只是必要条件，框架显著性由研究者语境判断，且无自动判据；未报告被审阅后丢弃的规则，高 tier 中仍有订阅提示等模板噪声漏过预处理。（2）Gaza 正文为文档级，句子级命题细节可能未被检出；句子级 Apriori 在 25,512 篇规模曾内存溢出。（3）预处理对停用词表与多词表达识别敏感，词表靠反复看语料构造，难以标准化。（4）1/√n 加权无理论依据，换权重会改变加权支持度。（5）比较设计混杂：Gaza（文档级、Apriori、英文）与 Seven Days（句子级、FP-Growth、阿拉伯语）在粒度、算法、语言、事件四个维度同时变化，无法分离算法效应；作者明确把 FP-Growth + 句子级框定为“有前景且计算可行”的配置，而非已证实的分析优势。（6）缺少编码者间一致性研究，验证仅靠两篇独立编辑部报道（Daraj Media 2025；Saheeh Masr 2024 Facebook），样本小且非盲法；Aljadah Media 的伊朗报道仅算相关工作，不计入验证。（7）完整 ARM 流水线（阈值配置、加权、主题词典、规则过滤）未开源，仅预处理代码与 Kaggle 数据集公开，复现存疑。（8）2024 年 10 月因周年报道量异常被排除，正文称其发现“另述”，但文中未见单独结果段落。
未来工作。五项：在 Gaza 语料上跑句子级 FP-Growth；把闭环过滤与语义聚类并入流水线；做正式的编码者一致性研究；开展跨语言（英—阿）对照；把标题—正文分化操作化为词频向量的余弦距离，做平台比较与纵向追踪。
🧠 IRMaD 思维导图
mindmap
root((挖掘新闻框架))
I 引言
有监督分类需大量标注
预设分类难覆盖新事件
加沙战争一年报道
关联规则挖掘可无监督
R 研究问题
能否无标注找框架
加沙报道有哪些框架
换算法与句子级代价
与既有方法如何比较
M 方法
两万五千多篇英文报道
十六家美英法德媒体
词性筛选与多词表达
提升度与支持度阈值
平台按平方根倒数加权
闭环规则过滤
R 结果
军事框架十四家出现
西岸三元组十六家
卫生部成为来源节点
标题提升度一百三十
正文提升度仅六点三
月度轨迹对上事件
阿拉伯语验证一千五百篇
a 讨论
标题是编辑框架战场
正文转述机构口径
共现不等于框架
与语言模型互补
流水线未完全开源
D 结论
无监督框架检测可行
编辑部采用作为验证
需句子级与跨语言检验
需编码者一致性研究
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。