这套工具把"带节奏"量化了：31个维度拆解新闻偏见

新闻偏见检测一直是个笑话——左边是0，右边是10，你的文章落在3.5。这种单轴评分对缩略图够用，但对真正干活的人毫无意义：新闻编辑室的标准编辑、事实核查员、教新闻框架的讲师、做虚假信息分类器的AI安全研究员。他们需要的是结构化、多维度、可查询的框架数据。有人做了这件事，而且做成了任何AI助手都能调用的服务。

为什么单轴评分是死路

大多数"新闻偏见"工具把报道压缩成左右轴上的单一数字。缩略图够用了，但粒度完全错误——对新闻编辑室标准编辑、筛选病毒式声明的事实核查员、教授框架的新闻学院讲师、构建虚假信息分类器的AI安全研究员来说，几乎任何实际工作流都用不上。

这些工作流真正需要的是结构化、多维度、可查询的框架数据。于是有人把它做出来，封装成MCP服务器，任何AI助手都能调用。

31维评分体系

Helium MCP对每篇文章从31个维度打分。部分示例如下：

• liberal_conservative——标准左右轴（保留以兼容旧系统）
• credibility——信源密度、具名信源比例、证据引用模式
• opinion_vs_fact——观点语言与陈述事实语言的比例
• scapegoating——行为者归责模式vs结构性解释模式
• covering_responses——文章是否给被批评的个人/组织留出回应空间
• fearful——情感效价、威胁性语言
• sensationalism——标题与正文的放大效应、最高级密度
• overconfidence——模糊限定语vs陈述确定性
• intelligence——阅读难度、概念密度
• begging_the_question——框架中预设结论
• oversimplification——将复杂因果关系简化为单一因素
• ai_authorship_probability——文章由大模型生成的显式估计

还有19个维度未列出。关键是每个维度都实现了可操作化——不是凭"感觉"贴标签，而是从文本特征计算得出。

数据规模与覆盖

• 320万+篇文章
• 5000+个信源
• 持续更新
• 覆盖全球主流媒体、美国党派媒体、商业媒体、科技媒体、地方媒体及长尾/超本地信源

MCP接口设计

Helium MCP通过三个主要工具向AI助手开放：

• get_source_bias(source)——聚合某信源近期语料的评分
• get_bias_from_url(url)——抓取并评分指定URL
• search_articles(query, filters)——按偏见维度筛选文章

所有工具返回结构化JSON，包含各维度原始分、置信区间、解释性元数据。AI助手可以据此做事实核查、生成偏见对比、或训练自己的分类器。

谁在用

早期用户包括：事实核查机构（批量筛选待核查声明）、新闻素养课程（让学生对比同一事件的不同框架）、AI安全团队（为红队测试生成偏见变体）。

开发者表示，单轴偏见评分是"给用户他们以为自己想要的"，而31维框架是"给他们真正需要的"。