20.500.12556/RUP-23090 Evaluating depolarization-oriented news ranking strategies using LLM-generated articles Algorithmic news ranking and large language models (LLMs) increasingly mediate how citizens receive political information. While personalization is often criticized for reinforcing echo chambers, ranking has also been proposed as a lever for depolarization by shaping exposure to cross-cutting viewpoints. We test this claim in an online experiment (N=100, Prolific) using five LLM-generated news articles on gun legislation spanning pro–gun freedom to pro–gun control. All participants read the same articles; the only manipulation was article order, instantiated as a random baseline and six stance-aware depolarization-oriented strategies (counter-narrative sandwich, balanced alternation, and directional gradients). Pre–post questionnaires measured ideological self- placement (feeling thermometer) and affective evaluations of gun-control and gun-freedom advocates. Across six research questions, we find no statistically reliable evidence that any ranking strategy reduces ideological or affective polarization relative to the baseline, nor that stance-conditioned assignment improves outcomes. These results suggest that, under the constraints of a short, single-session, single-topic exposure study with LLM-generated article stimuli, article ordering alone did not produce detectable depolarization effects. The findings motivate future work to design longer-term, multi-topic, and more interactive solutions for mitigating affective polarization. Algoritemsko razvrščanje novic in veliki jezikovni modeli vse bolj posredujejo pri tem, kako državljani prejemajo politične informacije. Čeprav je personalizacija pogosto kritizirana, ker naj bi krepila odmevne komore, je bilo razvrščanje vsebin predlagano tudi kot vzvod za depolarizacijo, saj lahko oblikuje izpostavljenost navzkrižnim oziroma nasprotujočim si stališčem. To trditev preverjamo v spletnem eksperimentu (N = 100, Prolific) s petimi novičarskimi članki, ustvarjenimi z velikim jezikovnim modelom, o zakonodaji na področju orožja, ki zajemajo razpon od stališč v podporo svobodi posedovanja orožja do stališč v podporo nadzoru orožja. Vsi udeleženci so prebrali iste članke; edina manipulacija je bil vrstni red člankov, izveden kot naključna izhodiščna razvrstitev in šest strategij, usmerjenih v depolarizacijo ter prilagojenih stališčem udeležencev: sendvič nasprotne pripovedi, uravnoteženo izmenjevanje in usmerjeni gradienti. Vprašalniki pred branjem in po njem so merili ideološko samouvrstitev z lestvico občutka ter afektivne ocene zagovornikov nadzora orožja in zagovornikov svobode posedovanja orožja. V okviru šestih raziskovalnih vprašanj nismo našli statistično zanesljivih dokazov, da katera koli strategija razvrščanja v primerjavi z izhodiščno razvrstitvijo zmanjšuje ideološko ali afektivno polarizacijo, niti dokazov, da dodeljevanje strategij glede na stališče izboljšuje izide. Rezultati kažejo, da v pogojih kratke enosejne raziskave z eno temo in z novičarskimi dražljaji, ustvarjenimi z velikim jezikovnim modelom, sam vrstni red člankov ni povzročil zaznavnih depolarizacijskih učinkov. Ugotovitve utemeljujejo potrebo po prihodnjem delu, ki bi razvilo dolgoročnejše, večtematske in bolj interaktivne rešitve za blaženje afektivne polarizacije. news recommendation political polarization affective polarization ranking strategies large language models priporočila novic politična polarizacija čustvena polarizacija strategije razvrščanja veliki jezikovni modeli true false true Angleški jezik Slovenski jezik Neznano 2026-06-02 11:54:13 2026-06-02 11:54:16 2026-06-04 03:07:56 0000-00-00 00:00:00 2026 0 0 Str. 118-126 0000-00-00 Zaloznikova NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.8 1613-0073 280125443 280133891 RAZ_Sergas_Uros_2026.pdf RAZ_Sergas_Uros_2026.pdf 1 3BECEB61C082BB3F97C8A90EA6D511B2 9f23b2a2beb5cb375404737d547e4d83435229dfa629fca92f28b4aeaa293312 e653f3d5-5e68-11f1-9e8d-005056ac49c0 https://repozitorij.upr.si/Dokument.php?lang=slv&id=33737 RAZ_Sergas_Uros_2026.pdf RAZ_Sergas_Uros_2026.pdf 1 3BECEB61C082BB3F97C8A90EA6D511B2 9f23b2a2beb5cb375404737d547e4d83435229dfa629fca92f28b4aeaa293312 0178aadd-5e69-11f1-9e8d-005056ac49c0 https://repozitorij.upr.si/Dokument.php?lang=slv&id=33738 Fakulteta za matematiko, naravoslovje in informacijske tehnologije 0 0 0