本文通过研究历史语料库中编码的历时分布语义模型，重点关注两种特定形式的偏见，即政治偏见（即反共主义）和种族主义偏见（即反犹太主义），分析德国议会会议记录的新语料库，以期发现历史偏见趋势。同时，还提出了一种新的基于术语共现和基于图形标签传播的偏差度量方法。通过研究结果表明，在不同的时间段内，德国政治中存在反犹太主义和反共产主义的偏见趋势，从而证明了使用从历史语料库产生的语义空间分析历史偏见趋势的可行性。

Aug, 2021

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

本文旨在研究大型语言模型在对于语言数据集难以获得的语言，如形态复杂、资源较少的语言中进行自动立场检测的适用性，同时探索了 ChatGPT 作为一种全零样本分类器的可行性，结果表明 ChatGPT 的性能可与有监督学习相当。最佳模型的应用还可用于研究爱沙尼亚主流新闻来源和右翼民粹主义新闻来源在七年间的历时趋势，并探讨立场变更与现实事件的对应关系，这为新闻分析和媒体监测提供了一个更为简单和省钱的文本分类任务的替代方案。

May, 2023

通过对捷克政治性偏见进行案例研究，本论文介绍了一种新的方法来衡量神经语言模型的政治价值观，发现 BERT 大小的模型与政治价值观没有系统的一致性，模型中观察到的偏见更多是对训练数据模式的表面模仿，而非系统的价值信仰。

Mar, 2024

本研究到了关于文档分类模型公平性评估的现有研究，主要使用无作者人口属性基准事实的合成单语言数据。在该工作中，作者们汇编并发布了一个多语言 Twitter 语料库，用于推断作者的四个人口属性：年龄，国家，性别和种族 / 民族。该语料库涵盖了五种语言：英语、意大利语、波兰语、葡萄牙语和西班牙语。我们使用 Figure Eight 的众包平台评估了推断出的人口属性标签的准确性。为了检查可能引起偏见的因素，我们对英语语料库进行了人口预测的实证分析。我们评估了四种流行文档分类器的性能，并评估了基准分类器在作者级人口属性上的公平性和偏见。

Feb, 2020

本文通过先进的 NLP 方法，联合比较分析了保加利亚、捷克、法国、斯洛文尼亚、西班牙和英国等 6 个国家在 2017-2020 年间的议会和立法辩论记录，探讨并评估不同国家议员的观点、情感以及性别、政治取向的识别，发现分析对象之间存在许多差异和共性。

Jul, 2022

我们从德国的角度评估了当前最流行的开源模型在欧洲联盟内涉及政治问题的偏见，发现较大的模型更倾向于与左翼政党相符，而较小的模型通常保持中立，这凸显了 LLM 的细微行为和语言对其政治立场的重要性。我们的发现强调了对 LLMs 进行严格评估和处理社会偏见的重要性，以保障应用现代机器学习方法的应用程序的完整性和公平性。

May, 2024

通过不同的策略进行政治要求分析的跨语言投射是一项重要工作，本文以德国数据集 DebateNet2.0 为基础，涵盖了 2015 年难民危机引发的政策辩论，通过两个任务（要求识别和分类）、三种语言（德语、英语和法语）以及两种方法（机器翻译 —— 实验中的最佳方法和多语言嵌入）进行了实验和评估。

Oct, 2023

本文的研究主要是关于使用机器学习预测政治倾向，并采用 Slovenian 议会的演讲记录，通过传统的机器学习和转换语言模型对左右倾向进行预测，并运用可解释性技术识别关键字短语来解释决策。

May, 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