美国约四分之一的成年人定期通过 YouTube 获取新闻内容。然而，尽管该平台上存在大量政治内容，但迄今为止还没有提出可以识别 YouTube 视频政治倾向的分类器。为了填补这一空白，我们提出了一种基于 Google 的语言模型 Bert 的新型分类器，仅通过视频标题将 YouTube 视频分为六类：极左、左派、中间、反唤醒、右派和极右。我们使用一个公共数据集中的 1000 万个 YouTube 视频标题（涵盖各种类别）来训练和验证所提出的分类器。我们将分类器与使用相同数据集训练的几种替代算法进行了比较，结果显示我们的分类器在准确性（75%）和 F1 分数（77%）方面都达到了最高水平。为了进一步验证分类性能，我们从包括 Fox News 和 New York Times 在内的多家知名新闻机构的 YouTube 频道收集视频，并将我们的分类器应用于它们的视频标题。在绝大多数情况下，预测的政治倾向与新闻机构相匹配。

Feb, 2024

利用 YouTube 视频元数据进行情感分析，以分析各个政党代表的公众意见。该研究旨在构建一个基于 Apache Kafka、Apache PySpark 和 Hadoop 处理大数据，TensorFlow 处理深度学习，以及 FastAPI 部署在服务器上的情感分析系统。使用 LSTM 算法构建情感分析模型，得出积极和消极情感。情感分析结果以一个简单的基于 Web 的仪表板呈现。

Sep, 2023

本文探讨新闻文章中的政治意识形态或偏见的预测任务，提出了一个具有挑战性的实验设置并收集了大量的数据集，在建模方面使用了敌对媒体适应和三元组损失等策略，并在文章级别上加入了源背景信息，实验结果表明这种方法在这种具有挑战性的情况下比使用先进的预先训练转换器有相当大的改进。

Oct, 2020

本文提出了一种基于关注机制的多角度模型，利用文本、标题、内容以及链接结构等多种视角识别新闻文章所展现出的政治意识形态，实验证明该模型在自然语言处理的表示学习和网络科学中的进展方面，比现有的基线模型在 F1 得分上提高了 10 个百分点。

Sep, 2018

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

本文提出了一个启发式方法来将社交媒体帖子分类为五个不同的政治倾向类别，通过在 Twitter 和 Gab 这两个具有不同政治意识形态的社交媒体数据集上利用现有时间序列预测模型，我们的工作旨在为预测社交媒体平台中的政治偏见的挑战和机会提供启示，最终要为在数字领域减轻政治偏见的负面影响开发更有效的策略铺平道路。

Sep, 2023

本研究利用真实的政治辩论语音数据集，采用多模态深度学习架构进行欺诈检测以提升检测准确度。实验结果表明，使用语音特征可以有效提高欺诈检测的表现，并将数据集公开以期推进多模态欺诈检测的研究。

Oct, 2019

本文介绍了以文本和图像为输入的多模态意识形态预测任务，提出了使用针对模型组成部分的预训练目标的效果，建立五个包含政治内容的大型数据集，并通过实验和分析实现了在文本分析中更好的性能。

Nov, 2022

本文介绍了一种多模态融合模型，该模型专门使用高级视频和音频特征来分析口语句子的情感。该模型在 CMUMOSEI 数据集上进行了训练和测试，并获得了验证集上的 F1 得分 0.8049 和挑战测试集上的 F1 得分 0.6325。

Jul, 2018

该论文提出了一种新颖的方法来执行新闻视频的情感分析，基于从内容中提取的音频、文字和视觉线索的融合。该方法旨在为构建媒体宇宙的 ethos（身份）的 semiodiscoursive 研究做出贡献，我们计算了从面部表情中识别出的视觉强度、参与者的声音调制、文本语音和情感得分（极性）。实验结果显示，该方法在情感分类任务中达到了高达 84％的准确度，因此在新闻界中具有极高的应用潜力。

Apr, 2016