Oct, 2022

优化文本表征以捕捉政党间的 (不) 相似性

PDF
TL;DR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。
fine-tuned neural language modelstext representationscomputational social sciencestructural informationdocument structure-based heuristics
发现论文，激发创造
  • 机器学习和统计方法用于衡量政党相似度

    采用自然语言处理技术中的大型变形器模型，对政党政治纲领进行相似度测量，并分析它们与专家调查、选民投票记录及候选人网络等指标的相关性，考虑了这种方法替代专家判断的前景。

    Jun, 2023

  • 使用异构知识表示进行文本和作者级别的政治推断

    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

  • 在政治学中利用大型语言模型进行模糊字符串匹配

    使用大型语言模型可以解决模糊字符串匹配问题，进而改善政治学家在不同来源数据结合时的匹配准确性，通过增强提示进一步提高性能。

    Mar, 2024

  • Twitter 党派预测

    通过综合调查和实证比较当前党派预测实践，本文提出了几种与或超过最先进方法相竞争的新方法，同时需要更少的计算资源，使从业者能够从多种数据类型中选择并获得强大性能。

    Aug, 2023

  • 加性宣言分解：一种政策领域感知的理解政党定位的方法

    该研究提出一种基于自动标签定义政策领域、计算领域级别相似性、提取可解释的政治轴上党派位置的方法，实现了政策领域感知的党派相似性计算。作者在对德国联邦选举的选举纲领数据上进行实证分析表明，该方法不仅在全局层面预测党派相似性时具有高相关性，而且即便使用自动标签，也能提供准确的党派位置。

    May, 2023

  • 多语言政党立场估计：从标签聚合到长输入变换器

    计算政治学的技术之一是扩展分析，根据（通常较长的）文本集合（如议会演讲或选举宣言）给予政治参与者（如政治家或政党）一个预定义的评分。本研究通过实施和比较两种自动扩展分析政党宣言的方法：标签聚合和基于长输入的 Transformer 模型，对 41 个国家和 27 种语言的比较宣言项目数据集进行分析，发现最佳结果可通过先进的模型和标签聚合的方式高效解决。

    Oct, 2023

  • 使用语言模型理解政治极化：一个数据集与方法

    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

  • 利用图变换网络对复杂文档布局中的文本语义进行建模

    本文提出了一种基于图形表示的模型，并演示了我们不仅可以跨文档检索语义相似的信息，而且我们生成的嵌入空间也捕获了有用的语义信息，类似于仅适用于文本序列的语言模型。

    Feb, 2022

  • 在紧张注释预算下分析文本表示：度量结构对齐

    通过引入评估文本数据表示优劣的度量标准，本研究探究了数据表示在紧急标注预算下对学习成果的影响。研究表明，数据表示依据任务需求的结构对齐程度越高，模型对标注预算的依赖性较低、对少样本数据的学习效果更优。

    Oct, 2022

  • 淘金：从平台不可知的文本数据自动检测政治内容中学到的教训

    本文介绍了如何利用自然语言处理技术（如基于机器学习或神经网络的技术）来发现不同平台上的政治内容，并使用三组数据集对依赖于字典、监督学习或神经网络的三组检测技术的表现进行了系统比较。我们还对数据的不同预处理模式的影响进行了检验，结果表明，在处理较少噪声的数据时，使用基于神经网络和机器学习的模型效果最佳，而在处理噪声较多的数据时，使用基于字典的模型效果更为稳健。

    Jul, 2022