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

利用社区语言模型，研究政治言论语言化的分歧，通过观察群体在社交媒体中的表达，详细分析不同派别的观点，并且发现了相对于其他方法更高的对比度。

Sep, 2022

利用定量框架和流程系统地调查大型语言模型的政治取向，研究结果显示在八个极化话题中，当用户查询涉及职业、种族或政治取向时，大型语言模型倾向于提供与自由派或左倾观点更为接近的回答，而不是保守派或右倾观点。为了避免这些模型提供政治化的回答，用户在构建查询时应谨慎，并选择中立的提示语言。

Mar, 2024

利用社交媒体数据，我们对美国党派的左右分歧进行语言分析，发现在话题、情感和词汇语义方面存在语言差异，并对可能导致语言分化的沟通问题提出警示。

Sep, 2023

本文提出了一种基于多层次探测极性语言的词向量模型的文本去极性框架，用于检测和取代媒体报道中的极性语言，实现文本去极性。作者通过对 11 个话题的 99 个故事应用该方法，使用自动和半自动模式比较分析原始文本和去极性后的文本，并通过 161 个人类测试人员获得高反馈，证明了该方法在有效去极性的同时保留了原始文本的信息。

Jan, 2021

通过机器翻译的方式，以词汇为粒度分析分析社交媒体数据集，从而理解不同社区间存在的分化。

Oct, 2020

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

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

我们提出通过分析 LLMs 生成内容中关于政治问题的内容和风格来衡量政治偏见。我们的提议旨在提供 LLMs 生成的政治偏见的细致和可解释的度量方法，以向用户提供透明度。我们的研究关注不同的政治问题，如生殖权和气候变化，并从内容和风格两个方面测量政治偏见，以展示我们的框架的可扩展性和可解释性。

Mar, 2024