本研究提出了一种多任务序数回归框架，其中包含了几个辅助任务，旨在联合模拟新闻媒体的可信度和政治意识形态。研究结果表明，相对于针对单个问题进行建模的模型，联合模型可以获得更好的性能提升。

Apr, 2019

本文提出了一种基于NLP的框架，通过分析话题选择、表达方式、情感和言语作用等四个维度来研究社交媒体中的政治极化。作者通过现有的词汇方法量化这些方面，并提出了利用聚类技术识别分析主题的方法。作者将这些方法应用于对21起大规模枪击事件中的4.4M条推文进行研究，发现这些事件的讨论在政治上高度极化。结果表明，共和党更关注枪手和事件特定事实，而民主党则更关注受害者和政策变化的呼吁。同时，作者还发现了一些引导言论极化的表达方式，诸如“基础事实”以及“恐怖分子”和“疯子”这两个术语的不同使用。该研究深入了解了语言中的群体分裂表现方法，并提供了计算方法来研究这些现象。

Apr, 2019

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

本文研究了训练数据中的政治意识形态偏见对自然语言处理模型的影响， 发现大而复杂的模型容易从人选择的输入中传播偏差，从而导致检索准确性的恶化。最后，我们提出一种方法来减轻这种偏差，即学习一个对政治意识形态不变但仍然可以判断主题相关性的文本表示。

Nov, 2020

本文介绍了使用基于意识形态的预训练目标的预训练语言模型进行意识形态预测的新方法，并介绍了一个大规模数据集POLITICS，该数据集包含超过3.6M篇政治新闻文章，并展示该模型在意识形态预测和立场检测任务上的性能优越性。

May, 2022

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

新闻媒体塑造公众舆论，通过选取或省略支持某一方的党派事件以隐晦的方式塑造信息受众的观点，本研究通过比较多篇关于相同事件的新闻文章，并识别出揭示意识形态的党派事件，开发了一种基于潜变量的框架来预测新闻文章的意识形态，发现新闻报道的倾向性可以通过文章之间的对齐和交叉比较获得，相比竞争性基准模型更为准确，结果揭示了媒体的高层次偏见存在，即使是在拥有客观和无党派的强烈规范的主流媒体中也是如此。

Oct, 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

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