使用唯一向量空间嵌入法比较不同机构之间的政策差异，发现各机构之间存在有意义的差异，并使用文法向量回答具体问题，正在扩展为更综合的法律语义地图。

Sep, 2016

该研究主要通过使用超过100万份法案的词汇内容和上下文引导来构建预测模型，探究了影响美国50个州和华盛顿特区立法成功的因素，并展示了这些信号的互补预测能力。

Jun, 2018

本文针对美国国会和加州州政府发布的众多议案进行了研究，推出了第一个用于议案自动摘要的数据集-- BillSum。文章介绍了该数据集的属性，对比了不同的提取方法，并证明了基于国会议案的模型能够应用于对加州议案的自动摘要。

Oct, 2019

本文介绍一个使用 BERT 变体和多阶段训练来预测法案相似性的方法，发现在使用人类标注和合成数据进行训练时，预测性能显著提高，并成功捕捉了各种层次的法律文件之间的相似性。

Sep, 2021

该研究发现美国国会议员使用有积极和消极两种推动议案的方式，与政治同僚和议案内容的支持有关。为此，开发一种基于编码器和RGCN的模型，通过议案文本和演讲转录学习议员代表并预测积极和消极的联合赞助度。应用这些议员代表预测投票结果，结果具有可解释性并且适用于未知任务。

May, 2022

该研究提出了PAR学习框架，该框架利用社会背景和专家知识，学习政治人物的代表性，以更好地理解政治文本，并成功提升了政治观点检测和投票预测的最新技术水平。

Oct, 2022

本研究旨在解决fine-tuned神经语言模型在特定应用中的文本表示优化问题，结合德国政党清单，通过使用基于文档结构启发式策略、最大化党内相似性及标准化等一系列措施，实现对政党相似性的可靠预测，无需人工注释。

Oct, 2022

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

采用自然语言处理技术中的大型变形器模型，对政党政治纲领进行相似度测量，并分析它们与专家调查、选民投票记录及候选人网络等指标的相关性，考虑了这种方法替代专家判断的前景。

Jun, 2023

本文介绍一种基于情感分析的新数据集以及依此数据集进行的一系列实验，重点是训练一个强大的情感分类器用于议会会议。此外，还引入了第一个领域特定的LLM（语言模型）用于政治科学应用，并在27个欧洲议会的会议记录中进行了1.72亿专业领域词汇的预训练。通过实验证明，LLM在议会数据上的额外预训练可以显著提高模型的性能，尤其是在情感检测等具体领域任务上。同时，该研究显示多语言模型在未知语言上表现良好，并且来自其他语言的额外数据显著提高了目标议会的结果。本文对社会科学的多个领域做出了重要贡献，并将其与计算机科学和计算语言学相结合。最后，它建立了一种更可靠的政治文本情感分析方法，使学者能够使用标准化的工具和技术，从比较的视角研究政治情感。

Sep, 2023