过滤上下文减轻政治意识形态预测中的稀缺和选择偏差

Feb, 2023

过滤上下文减轻政治意识形态预测中的稀缺和选择偏差

Filtering Context Mitigates Scarcity and Selection Bias in Political Ideology Prediction

Chen Chen, Dylan Walker, Venkatesh Saligrama

TL;DR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。

Abstract

We propose a novel supervised learning approach for political ideology prediction (PIP) that is capable of predicting out-of-distribution inputs. This problem is motivated by the fact that manual data-labeling is expensive, while self-reported labels are often scarce and exhibit signif

supervised learning political ideology prediction document embeddings neutral context vector position vector

发现论文，激发创造

通过意识形态膨胀主题相关性：社交主题检测模型中的政治意识形态偏见案例研究

本文研究了训练数据中的政治意识形态偏见对自然语言处理模型的影响，发现大而复杂的模型容易从人选择的输入中传播偏差，从而导致检索准确性的恶化。最后，我们提出一种方法来减轻这种偏差，即学习一个对政治意识形态不变但仍然可以判断主题相关性的文本表示。

Nov, 2020

基于联合非负矩阵分解的 Twitter 意识形态倾向学习

本论文通过机器学习方法，建立了一个自由派 - 保守派意识形态空间模型，对推特上的用户和媒体进行了分类，并提出了一种有效的解决信息过滤气泡问题的方法。

Nov, 2017

L (u) PIN: 基于 LLM 的政治意识形态实时预测

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

无监督深度学习对社交媒体上政治倾向的精细预测

本文提出了一种新颖的无监督技术，可以从社交媒体文章的文本内容中学习微观的政治倾向，并在两项有挑战性的分类任务中实现了最佳结果。

Feb, 2022

诱导政治偏见使语言模型预测党派对争议的反应

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

新闻文章政治意识形态检测的多视角模型

本文提出了一种基于关注机制的多角度模型，利用文本、标题、内容以及链接结构等多种视角识别新闻文章所展现出的政治意识形态，实验证明该模型在自然语言处理的表示学习和网络科学中的进展方面，比现有的基线模型在 F1 得分上提高了 10 个百分点。

Sep, 2018

我们可以探测到你的偏见：预测新闻文章的政治意识形态

本文探讨新闻文章中的政治意识形态或偏见的预测任务，提出了一个具有挑战性的实验设置并收集了大量的数据集，在建模方面使用了敌对媒体适应和三元组损失等策略，并在文章级别上加入了源背景信息，实验结果表明这种方法在这种具有挑战性的情况下比使用先进的预先训练转换器有相当大的改进。

Oct, 2020

学习无偏见的新闻文章表征：一种融合知识的方法

利用可靠的外部数据资源学习新闻文章的公正表示，提出了一种知识注入的深度学习模型，旨在预测新闻文章的政治倾向，解决了现有学习模型在模型训练中受到新闻发布者的政治偏见影响的问题，从而消除了算法政治偏见，并在准确性方面优于基线方法，可达到 73% 的准确率。

Sep, 2023

基于语境的考察偏倚估计的干预收集

提出了一种基于上下文的地位模型（CPBM），使考试偏见可能依赖于描述查询和用户的上下文向量，并基于干预收获提出了有效的 CPBM 估计器，用于从搜索引擎和推荐系统的隐式反馈中进行无偏学习排序。在 ArXiv 搜索引擎上进行的实际实验以及在 Yahoo Learning-To-Rank 数据集上进行的半合成实验表明了新方法的优越性和鲁棒性。

Nov, 2018

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