arXiv：2610.31874v1 发布类型：新
摘要：计算框架分析目前主要依赖于监督式分类器，而这类方法需要大规模的标注语料库和预先定义的框架分类体系，这在非英语语言、新出现的事件以及资源匮乏的场景中往往难以应用。本文提出了一种基于关联规则挖掘（ARM）的无监督、无需人工标注的新闻框架检测框架。其中，每篇文档或每个句子都被视为一个由词汇项构成的“交易”，高提升度的共现规则则被解读为候选的框架信号（即甘森与莫迪利亚尼所提出的“凝缩符号”），并由记者与研究人员在具体语境中加以验证。本研究的主要验证对象是《Framing Gaza》项目：选取了来自美国、英国、法国和德国等16家媒体的25,512篇英文报道，涵盖加沙战争爆发后的首年（2023年10月至2024年10月），并采用Apriori算法（mlxtend）、平台加权支持度、经词性过滤的n元组以及基于提升度的评分方法进行分析。ARM能够以归纳方式揭示可解释的模式，且无需预设类别：例如，在16家媒体中有14家均出现了跨平台的军事框架——“以色列”与“打击”对应“杀害”——这一封闭规则；此外，逐月分析还成功捕捉到了以事件为导向的框架转换节点（如2024年4月世界中央厨房遭袭事件），而无需事先对事件进行标签化。研究还发现了一种系统性的标题—正文差异现象：标题往往承载着集中且高提升度的编辑性框架，而正文则更多地再现机构化、程序化的语言风格。针对“Seven Days”项目（1,575篇关于2026年伊朗战争的阿拉伯语报道）开展的方法学验证表明，FP-Growth算法能够在显著降低内存开销的前提下实现句级分析。研究结果已通过编辑部的实际采纳得到验证：两篇经刊发的调查报道（分别出自Daraj Media与Saheeh Masr）。预处理代码已公开发布；完整的工作流程虽已记录，但暂予保留，以待后续披露。 保持可操作的部署能力。