该研究使用自然语言处理技术研究了 2020 年美国选举的 Twitter 讨论，通过比较语言模型生成的回复和真实调查结果，提出了一种新的方法来揭示相互关联的多样的意识形态社群中复杂的意识形态。

Feb, 2024

对个人化的大型语言模型输出进行用户政治倾向性的引导，发现左倾用户更容易接收到对左派政界人物和媒体机构的正面评价，而右倾用户则更容易接收到对右派实体的正面评价。这种个人化模式会带来情感极化和过滤泡沫的风险。

Oct, 2023

本文提出了一种新的监督学习方法，用于政治意识形态预测，该方法可以预测超出分布输入；在此基础上，提出了一种新的统计模型，将文档嵌入分解为两个向量的线性叠加 - 一个独立于意识形态的潜在中性上下文向量和一个与意识形态对齐的潜在位置向量；在两个基准数据集上，证明了该模型即使在仅使用 5％的偏向数据进行训练时也能够输出预测，并且比现有技术显着更准确。

Feb, 2023

通过使用新闻媒体偏见和帖子内容来标记社交媒体帖子的两种启发式方法，以及与随机抽取的人工标注数据集进行比较，我们展示了当前机器学习模型在预测社交媒体帖子的政治倾向方面的改进性能，采用传统的监督学习和少样本学习设置。

Nov, 2023

本文提出了一种新颖的无监督技术，可以从社交媒体文章的文本内容中学习微观的政治倾向，并在两项有挑战性的分类任务中实现了最佳结果。

Feb, 2022

开发了一种机器学习分类器，通过社交媒体上的非政治文本和用户关注的账户来推断政治取向，并发现新闻分享存在鲜明的左右分化，而体育新闻则不具有政治倾向性。

Aug, 2022

本文提出了一种新的基于社交媒体信息的意识形态检测方法，利用 Twitter 用户与政治人物的关注、提到和转发链接来确定用户的意识形态，使用概率模型解释了链接建立的原因，并自动学习了每种类型链接对决定一个用户意识形态的重要性，实验表明该模型在排名和政治取向分类精度方面具有优势，与直觉相符。

Dec, 2016

本篇研究利用 ChatGPT 等大语言模型对美国 116 届参议员进行纵向比较和分析，并筛选出与其政治思想立场相关的因素，在政治科学等领域进一步开拓了利用大语言模型技术进行测量与收集社会科学数据的新途径。

Mar, 2023

通过使用大规模语言模型（LLMs）来准确解读和预测政治偏见在社交媒体平台上充斥的政治性讨论，本研究创新性地采用了一个指导调整的 LLM，以反映一系列政治意识形态。我们提出了一个综合的分析框架，包括党派偏见差异评估和党派倾向预测，以评估模型在立场、情绪和道德基础等方面与现实政治意识形态保持一致。研究发现模型在捕捉情绪和道德细微差别方面的有效性，但在立场检测方面存在一些挑战，突显了 NLP 工具在政治敏感环境中精细化和改进的复杂性和潜力。此研究通过展示 LLMs 中细致的政治理解的可行性和重要性，特别适用于需要敏锐意识到政治偏见的应用，为该领域做出了重要贡献。

Nov, 2023

通过重新加权用户关注的账户的相对重要性，我们提出了一种改善社交媒体中极端化和信息孤立化问题的新方法，以在相关性和多样性之间取得平衡，从而降低社交媒体的负面影响，同时保持信息流的质量。我们通过实验验证了这种方法的有效性，并证明其能够促进更健康、更具凝聚力的在线社区。

Aug, 2023