ICMLSep, 2023

预测模型的定量分析：以在线政治偏见为视角

PDF
TL;DR本文提出了一个启发式方法来将社交媒体帖子分类为五个不同的政治倾向类别，通过在 Twitter 和 Gab 这两个具有不同政治意识形态的社交媒体数据集上利用现有时间序列预测模型，我们的工作旨在为预测社交媒体平台中的政治偏见的挑战和机会提供启示，最终要为在数字领域减轻政治偏见的负面影响开发更有效的策略铺平道路。
发现论文，激发创造
  • 建模社交媒体帖子的政治取向：一项扩展分析

    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

  • 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

  • 量化搜索偏见：调查社交媒体政治搜索偏见的来源

    本研究提出了一种框架来量化搜索系统中源自不同来源的偏见，并将其应用于 Twitter 上与政治相关的查询，发现无论是输入数据还是排名系统都会显著地在搜索结果中产生不同程度和不同方式的偏见，并讨论了这些偏见的后果以及社交媒体搜索系统界面中信号偏见的可能机制。

    Apr, 2017

  • 新闻文章中的政治偏见量化

    本文旨在建立一种自动模型，评估在线新闻文章的意识形态偏见，结果表明目前的自动模型能力不足以被用于自动注释文档，进而计算搜索结果中的偏见。

    Oct, 2022

  • 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

  • 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

  • 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

  • Twitter 是否知道你的政治观点？POLiTweets 数据集和半自动方法的政治倾向发现

    研究发现，使用社交媒体平台的用户只需发表 13 篇与社会相关的帖子即可预测其政治取向，作者通过创新的半自动化方法来发现用户的政治倾向，并公开了波兰的 POLiTweets 数据集，以研究多党制的政治倾向和领域转移等问题。

    Jun, 2022

  • 量化大型语言模型中的政治偏见：言论内容及言辞方式调查

    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

  • 在线平台上社会组织和政治极化的量化

    通过神经嵌入技术对 Reddit 14 年间 5.1B 评论的社区结构进行了研究，发现在 2016 年美国总统选举后，Reddit 出现了明显的政治极化，尤其是右翼用户的活动量增加导致的。个体级的极化是罕见的，政治极化可以通过考察单个用户的行为预测，可能因外部事件而发生。

    Oct, 2020