研究通过分析 Reddit 社群和新闻媒体等大规模真实语言使用数据，使用词嵌入模型发现了政治性语言中存在的情感分化模式以及与七个政治话题相关的词语的语义关联，揭示了跨党派界限的道德联想差异，这些结果强调了虽然在政治谱系上有着共享的道德理解，但仍然存在着塑造党派语言并潜在加剧政治极化的一致差异。

Oct, 2023

本文通过采用基于深度学习的视觉算法对 220 个来自 15 个不同国家的 YouTube 视频的情感分析，观察发现具有民粹主义 retoric 演讲的政治领袖比非民粹主义演讲者在公开演讲中表现出更多的负面情绪，揭示了政治领袖视觉化自我表达的特点和非语言交流的进一步研究的开源工作流程。

Apr, 2023

通过使用语言模型分析美国政治体系中的政治极化，我们提供了对候选人立场的分析信息，以帮助选民了解其在经济、医疗保健、教育和其他社会问题上的观点，并进一步分析候选人的数据集和使用 “Longformer” 这样更强大的方式，找到每个候选人在其政治观点和背景上的最近邻。

Jan, 2023

通过利用大型语言模型 (LLMs) 自动化人工注释过程，我们训练了多个可部署的小型语言模型来进行用户态度和教条主义的分类任务。

Jun, 2024

通过创建一个基于德国联邦议院演讲的标注数据集，训练一种基于变压器的模型（PopBERT）作为多标签分类器，可以可靠、有效且可扩展地测量民粹主义立场及其语言特征，从而实现对德语政治家和政党使用民粹主义语言作为战略工具的动态分析。

Sep, 2023

利用社区语言模型，研究政治言论语言化的分歧，通过观察群体在社交媒体中的表达，详细分析不同派别的观点，并且发现了相对于其他方法更高的对比度。

Sep, 2022

通过神经嵌入技术对 Reddit 14 年间 5.1B 评论的社区结构进行了研究，发现在 2016 年美国总统选举后，Reddit 出现了明显的政治极化，尤其是右翼用户的活动量增加导致的。个体级的极化是罕见的，政治极化可以通过考察单个用户的行为预测，可能因外部事件而发生。

Oct, 2020

本文介绍了一个新的数据集，用于建模细微的观点波动并检测细粒度的立场。 数据集包含足够数量用户在时间范围内和整个对话线程中的站立极性和强度标签，因此在长期和短期内都可以检测到微妙的观点波动。

Apr, 2022

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

本研究分析 2020 年美国大选期间，支持者在社交媒体上对候选人的仇恨和冒犯性言论，建立了针对这些言论的标注任务，并采用 BERT 基线分类器评测了该任务的性能，从而为针对仇恨语言的计算模型提供了一种新的公开资源。

Mar, 2021