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

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

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

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

本文分析了超过十余种测量两个短文本的语义相似性的方法，并使用一个新的标记为语义相似性的 14,000 句子数据集证明文献中使用的这些度量标准都不能够足够接近人的判断。虽然有一些最近提出的度量标准提供了具有可比性的结果，但 Word Mover Distance 被证明是目前测量改写文本的语义相似性的最合理的解决方案。

Apr, 2020

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

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

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

本文旨在全面概述自然语言处理领域中语义相似度计算的研究现状和各种方法及其优劣，将其归类为基于知识、基于语料库和基于深度神经网络等不同原理的方法，并希望能够促进新研究者的创新思路和实验。

Apr, 2020