本文提出了一种利用外部领域知识进行政治观点识别的 KGAP 方法，该方法在构造政治知识图谱的基础上，结合异构信息网络来表示新闻文本与外部知识，并采用关系图神经网络进行政治观点检测，实验结果表明该方法在现实世界的识别标准中表现最佳。

Aug, 2021

本文提出一种名为 KCD 的方法，通过多跳知识推理和文本线索作为段落级标签来进行政治观点的检测，该方法可帮助打破信息封闭和政治极化，实验表明该方法在两个基准数据集上优于当前最先进的方法。

Apr, 2022

本研究利用组合式阅读器模型对具有不同事件的多篇文档进行分析，以捕获并利用政治实体对特定事件所持的内在议程，从而形成多个实体、问题或事件的有效表征，通过定量和定性分析表明该模型是有意义和有效的。

Dec, 2020

利用 LLM 的潜在知识，本文提出了一种分析个别国会代表意识形态立场的方法，通过使用经过微调的 BERT 分类器从代表的演讲中提取基于意见的句子，并将每个代表的平均 BERT 嵌入投影到一对参考种子上，这些参考种子是在特定话题上具有相对立观点的已知代表，或者使用 OpenAI 的 GPT-4 模型生成的句子。

May, 2024

社交媒体用户通过与其他用户的互动、自发声明或参与网络社区表达其政治偏好，因此像 Twitter 这样的社交网络是研究计算科学方法在政治学习推理方面的宝贵数据源。本研究聚焦于西班牙的三个多样化地区（巴斯克地区、加泰罗尼亚和加利西亚），探索用于分析不断演变和复杂的政治格局所需的多党分类的各种方法，并将其与二元左右派方法进行比较。我们采用两步法，通过从转发中获取的无监督用户表示来进行政治倾向检测。对于由标记用户及其互动组成的新收集和筛选数据集的全面实验证明，将关系嵌入作为政治意识形态检测的表示方法，在有限的训练数据下，在二元和多党框架中都具有有效性。最后，数据可视化展示了关系嵌入捕捉复杂的组内和组间政治共鸣的能力。

Jun, 2024

本文利用 transformers（如 BERT）从英语和葡萄牙语文本中实验和比较了不同的模型配置，结果表明对于 “政治推理” 领域，结合 BERT 预训练语言模型和句法依存模型等文本表示法可以在多个实验设置中优化结果，这为进一步研究异构文本表示法在自然语言处理等领域提供了切实的证据。

Jun, 2022

本文提出了一种新的监督学习方法，用于政治意识形态预测，该方法可以预测超出分布输入；在此基础上，提出了一种新的统计模型，将文档嵌入分解为两个向量的线性叠加 - 一个独立于意识形态的潜在中性上下文向量和一个与意识形态对齐的潜在位置向量；在两个基准数据集上，证明了该模型即使在仅使用 5％的偏向数据进行训练时也能够输出预测，并且比现有技术显着更准确。

Feb, 2023

本研究提出了一种基于知识感知的方法，利用分层注意力网络和知识编码技术，将新闻文章的上下文信息和实体外在知识融入到政治倾向预测的过程中，建立了两个独立的政治知识图谱进行对比，取得高精度和高效性。

Feb, 2023

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

该研究论文提出了一种通过自动议会来提高语言模型（LMs）决策能力的方法 - 自动议会由代表特定视角的 AI 代表构成，代表自身包括三个 AI 模型：生成模型、修改模型和评估模型。我们提供了两种生成最佳解决方案的机制：用于响应生成的同时修改机制，以及用于公平评估解决方案的评估机制。整个过程始于每个生成模型根据其代表的理论创建响应，然后修改模型对其他响应进行调整以使其更加自洽，评估模型共同评估最佳的终点响应，最后，修改模型和生成模型根据评估模型的反馈进行学习。在我们的研究中，我们测试了评估机制，比较了单值零指导提示和自动议会少量指导提示在评估道德复杂场景中的应用，结果发现与基线相比，自动议会结构的损失值减少了 57.3％。我们最后讨论了自动议会的一些潜在应用和作为自动道德议会实施时的潜在影响。

Oct, 2023