本文介绍一种基于情感分析的新数据集以及依此数据集进行的一系列实验，重点是训练一个强大的情感分类器用于议会会议。此外，还引入了第一个领域特定的 LLM（语言模型）用于政治科学应用，并在 27 个欧洲议会的会议记录中进行了 1.72 亿专业领域词汇的预训练。通过实验证明，LLM 在议会数据上的额外预训练可以显著提高模型的性能，尤其是在情感检测等具体领域任务上。同时，该研究显示多语言模型在未知语言上表现良好，并且来自其他语言的额外数据显著提高了目标议会的结果。本文对社会科学的多个领域做出了重要贡献，并将其与计算机科学和计算语言学相结合。最后，它建立了一种更可靠的政治文本情感分析方法，使学者能够使用标准化的工具和技术，从比较的视角研究政治情感。

Sep, 2023

本文通过先进的 NLP 方法，联合比较分析了保加利亚、捷克、法国、斯洛文尼亚、西班牙和英国等 6 个国家在 2017-2020 年间的议会和立法辩论记录，探讨并评估不同国家议员的观点、情感以及性别、政治取向的识别，发现分析对象之间存在许多差异和共性。

Jul, 2022

本文的研究主要是关于使用机器学习预测政治倾向，并采用 Slovenian 议会的演讲记录，通过传统的机器学习和转换语言模型对左右倾向进行预测，并运用可解释性技术识别关键字短语来解释决策。

May, 2023

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

通过使用语言模型分析美国政治体系中的政治极化，我们提供了对候选人立场的分析信息，以帮助选民了解其在经济、医疗保健、教育和其他社会问题上的观点，并进一步分析候选人的数据集和使用 “Longformer” 这样更强大的方式，找到每个候选人在其政治观点和背景上的最近邻。

Jan, 2023

考察了东南欧三个国家国会辩论中发言情感色彩的分类方法和效果，通过样本数据得出了最优分类模型。

Jun, 2022

本文通过研究历史语料库中编码的历时分布语义模型，重点关注两种特定形式的偏见，即政治偏见（即反共主义）和种族主义偏见（即反犹太主义），分析德国议会会议记录的新语料库，以期发现历史偏见趋势。同时，还提出了一种新的基于术语共现和基于图形标签传播的偏差度量方法。通过研究结果表明，在不同的时间段内，德国政治中存在反犹太主义和反共产主义的偏见趋势，从而证明了使用从历史语料库产生的语义空间分析历史偏见趋势的可行性。

Aug, 2021

通过不同的策略进行政治要求分析的跨语言投射是一项重要工作，本文以德国数据集 DebateNet2.0 为基础，涵盖了 2015 年难民危机引发的政策辩论，通过两个任务（要求识别和分类）、三种语言（德语、英语和法语）以及两种方法（机器翻译 —— 实验中的最佳方法和多语言嵌入）进行了实验和评估。

Oct, 2023

这篇论文发布了一份新编的巴斯克语议会记录文集，其中包含重度的巴斯克 - 西班牙语码转换，同时还提供了与演讲者和演讲有关的元数据，并对文本进行处理以获得命名实体和词汇。 提取元数据后，对语言使用进行了详细的语料库分析，从时间，政党和性别角度提供了有趣的见解。

May, 2022

介绍一份包含 1989 年到 2020 年希腊议会文件中逾 1 百万场政治演讲及其元数据的数据集，为解决无资源语言（如希腊）的大规模、历时政治话语数据而构建，可供计算语言学和政治分析使用，如研究词语用法随时间、历史事件和政党变化而变化，以及使用算法来探测语义转移。

Oct, 2022