EMNLPNov, 2023

我们要求正义！”：以社会背景为基础的政治文本分析

PDF
TL;DR社交媒体上的言论常常由政治光谱两极中的不同方面使用 “看似相似的语言” 组成，但往往对应着截然不同的现实行动。本文旨在在计算环境中定义和描述理解此类模棱两可陈述所需的背景，并将其与真实世界的实体、行动和态度联系起来。为了达到这个目标，我们提出了两个具有挑战性的数据集，需要对文本的现实背景有全面的理解才能有效解决。我们通过构建基于 BERT、RoBERTa、GPT-3 等大型预训练模型的基线，并基于现有的 “话语语境框架” 和 “政治参与者表示” 模型开发和基准测试了更有结构化的基线。我们对数据集和基线预测进行分析，以深入了解所提出的社交背景任务所带来的实用语言理解挑战。
social media discourseambiguous statementsreal-world contextdatasetspragmatic language understanding
发现论文，激发创造
  • 通过情境化言语处理理解政治

    本研究利用组合式阅读器模型对具有不同事件的多篇文档进行分析，以捕获并利用政治实体对特定事件所持的内在议程，从而形成多个实体、问题或事件的有效表征，通过定量和定性分析表明该模型是有意义和有效的。

    Dec, 2020

  • 将背景置于背景之中：讨论结构对文本分类的影响

    本研究提出了一种基于变换器模型的大型英文立场检测数据集上关于文本分类的一系列实验，评估了不同类型的上下文信息对准确性的贡献，结果表明结构信息在特定情况下对文本分类有很高的益处。

    Feb, 2024

  • 评估情境信息对于仇恨言论检测的影响

    本文通过提供一个西班牙语口音的基于社交媒体中与 COVID-19 相关的新闻发布的用户回复的语料库，证明了对于检测 hate speech，加入上下文信息可以提高自动检测模型的性能。

    Oct, 2022

  • 社交媒体语境下的对话模型建立方法

    本文介绍了一种通过模仿社交媒体上的非正式互动改善系统的原始会话能力的方法，并利用 Reddit 上的过滤评论数据作为 seq2seq 生成器的额外上下文，以提高开放域对话系统的能力。

    Jun, 2022

  • 检测先前事实核查声明中上下文的作用

    本研究关注于政治辩论中的言论，并研究了对言论进行上下文建模（涵盖辩论和事实核查解释文档）的影响。实验结果表明，建模辩论方面的上下文最为重要，可以比现有的先进模型提高 10 个百分点以上。

    Apr, 2021

  • 仇恨言论和对话语境相关的反言检测

    研究表明，上下文对于识别网络仇恨言论和反对言论至关重要。作者利用 Reddit 评论创建了一个上下文感知数据集，使用人类判断和神经网络实验结果表明，考虑上下文可以使结果显著提升。

    Jun, 2022

  • 新闻中的目标感知背景政治偏见检测

    媒体偏见检测需要综合多个新闻来源的信息，以句子级别的政治偏见检测为例，通过考虑上下文中的偏见而进行的任务被证明是一项具有挑战性的任务。我们提出了一种更加小心地搜索上下文的技术，采用偏见敏感和目标感知的数据增强方法，通过与 BERT 等预训练模型的结合，在著名的 BASIL 数据集上进行了综合实验，取得了 58.15 的 F1 得分，明显优于先前方法的最新偏见检测任务。

    Oct, 2023

  • 基于实境的语言学习中的语用学问题、任务和建模方法

    人们通过上下文来丰富文字表达，实现简洁而有效的沟通，为了让人工智能系统能够与人类进行自然交互，需要强调语用学技能，从分享语言目标和约定到视觉和肢体世界中的语境等，利用各种上下文信息有效地运用语言。本文调查现有的语境实现和语用模型方法，并分析了每个工作中的任务目标、环境语境和沟通便利之间的关系，从而丰富了语言含义。我们提出了关于未来基于任务设计的语境需求，以自然地引出语用现象的建议，并建议在更广泛的沟通语境和便利方面继续探索。

    Nov, 2022

  • 政治竞选文本中基于目标的言语行为分类

    本研究通过对竞选文本中的言语行为和每一个话语的目标的分析，研究政治竞选中的语用学，提出一种包含特定领域言语行为（如承诺型行动等）的新的标注方案，并介绍了一个包含来自 2016 年澳大利亚选举周期的媒体发布和演讲文稿的新型标注语料库。我们展示了如何将言语行为和目标指向建模为连续分类，并评估了多种技术，包括利用语境化词表示、半监督学习、任务依赖和说话人元数据。

    May, 2019

  • 在社交媒体中分析极化趋势：以 21 起大规模枪击事件中的推文为例

    本文提出了一种基于 NLP 的框架，通过分析话题选择、表达方式、情感和言语作用等四个维度来研究社交媒体中的政治极化。作者通过现有的词汇方法量化这些方面，并提出了利用聚类技术识别分析主题的方法。作者将这些方法应用于对 21 起大规模枪击事件中的 4.4M 条推文进行研究，发现这些事件的讨论在政治上高度极化。结果表明，共和党更关注枪手和事件特定事实，而民主党则更关注受害者和政策变化的呼吁。同时，作者还发现了一些引导言论极化的表达方式，诸如 “基础事实” 以及 “恐怖分子” 和 “疯子” 这两个术语的不同使用。该研究深入了解了语言中的群体分裂表现方法，并提供了计算方法来研究这些现象。

    Apr, 2019