May, 2022

在美国国会中区分主动和被动的共同赞助

HTML
PDF
TL;DR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。
发现论文，激发创造
  • Gov2Vec: 学习机构及其法律文本的分布式表示

    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

  • Party Matters: 利用作者属性增强立法嵌入以进行投票预测

    研究如何通过添加发案人的意识形态将议案文本与神经网络模型相结合，从而提高预测新上任议员投票结果的准确率。

    May, 2018

  • 利用词汇和上下文信息预测州立法行动的可预测性

    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

  • BillSum：美国立法的自动摘要语料库

    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

  • 使用已注释和增强的议案语料库学习议案相似度

    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

  • 政治演员表示学习：基于社交背景和专家知识的方法

    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

  • 优化文本表征以捕捉政党间的(不)相似性

    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

  • 大型语言模型作为公司游说者

    用大型语言模型辅助企业游说，帮助识别相关立法并草拟游说信，引发对人工智能游说的界限问题。

    Jan, 2023

  • 新闻标题中的超级党派性的计算评估

    本文采取人工辅助机器学习框架，针对具有代表性的3个主流媒体倾向组（左，中，右）在2014年至今发布的2.2万份手动标记和180万份机器标记的新闻标题进行了超党派新闻标题检测的数据集开发，并在外部验证集上取得了0.84的准确度和0.78的F1得分；针对新闻标题中的党派性进行了计算分析，发现右翼媒体倾向于使用比例更高的超党派标题；通过逻辑回归模型和Shapley值确定了几个主题，并应用基于词库的语言分析工具对每个主题的标题进行了分析，发现左派、中派和右派媒体在外交、政治和社会问题方面的语言差异逐渐减小。

    Jan, 2023

  • 利用大型语言模型在零样本学习下估算政治家意识形态

    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