GPT助力新闻文本中可解释的宣传技术检测的修辞和语言特征注释
本文提出了一个新的任务:在文本中检测包含宣传技巧及其类型的所有片段,解决了以往检测宣传文本时金标准误差及解释难题。我们手动标注了18种宣传技巧的新闻文章片段集,并进行了适当的评估。此外,我们设计了一个多粒度神经网络,表现优于几个强的BERT-based基线。
Oct, 2019
本文研究了大型语言模型ChatGPT-4在Twitter文本分析任务中对发布者政治意向分类的精度、可靠性和偏差,并结论该模型精度更高、可靠性更高、偏差相等或更低,从而证明了该模型在社会科学中的巨大影响。
Apr, 2023
本研究针对现有在线宣传检测数据集标签噪声大甚至不正确的问题,提出了一个通过人工注释所得的高质量在线宣传检测数据集HQP,其应用得到的检测效果在state-of-the-art language models中有了显著提高。同时,研究探讨了基于高质量标注的few-shot learning方法的应用。最终,本研究突显了高质量标注在敏感NLP任务中的重要性,为NLP社区在权衡标注质量和成本方面提供了启示。
Apr, 2023
该研究提出检测交替语言的宣传技术是一项具有挑战性的任务,重点关注于低资源语言,提出了一种新的Fine-Tuning策略,并在一些实验中进行了对比。
May, 2023
探测在数字化社会中广告宣传的普及给社会和真相的传播带来了挑战,通过NLP在文本中检测广告宣传是具有挑战性的,我们研究了现代大型语言模型(LLMs)如GPT-3和GPT-4在广告宣传检测中的有效性,并对使用SemEval-2020任务11数据集进行了实验,该数据集的新闻文章被标记为14种广告宣传技术的多标签分类问题,使用了五种不同的GPT-3和GPT-4变体,其中包括不同模型之间的各种提示工程和微调策略,通过评估$F1$分数,$Precision$和$Recall$等指标来评估模型的性能,并将结果与使用RoBERTa的当前最先进方法进行比较,我们的研究结果表明GPT-4达到了与当前最先进方法相当的结果,此外,本研究分析了LLMs在复杂任务如广告宣传检测中的潜力和挑战。
Oct, 2023
该研究旨在通过在句子级和标记级别上识别政治新闻中的宣传内容,识别宣传在句子中嵌入因果关系或与附近句子形成对比的内容以及意见评价、推测和未来预期,进而建立两个教师模型识别附近句子之间的PDTB样式话语关系和新闻文章中句子的常见话语角色,通过使用教师预测的概率作为附加特征或在知识蒸馏框架中寻求指导来整合这两种类型的话语结构进行宣传识别,实验结果显示利用话语结构的指导可以显著提高宣传内容识别的精确度和召回率。
Oct, 2023
该研究调查了宣传语言及其风格特征,提出了PPN数据集,包括多源、多语言、多模态的新闻文章,从被专家机构确定为宣传来源的网站中提取。通过人工注释实验,结果表明人工注释者能够可靠地区分两种类型的新闻。本文提出了不同的自然语言处理技术,用于识别注释者使用的线索,并将它们与机器分类进行比较,包括衡量言语模糊性和主观性的分析工具VAGO、作为基准的TF-IDF以及四种不同的分类器:两种基于RoBERTa的模型、使用语法的CATS和结合句法和语义特征的XGBoost。
Feb, 2024
使用 GPT-4 大型语言模型对包含6种其他语言的传媒行文进行细粒度的宣传技术检测,结果显示该模型在不同语种的跨度检测任务中遇到困难,相比于用于宣传检测的不同分类层次的模型微调后,GPT-4 仍然远远落后。
Feb, 2024
本研究旨在解决阿拉伯文本中传播性段落和劝说技巧的检测问题。通过改进的AraBERT模型和BIO标记体系,我们提出了一种新方法,能够有效识别文本中的劝说技术。研究结果表明,该方法在劝说检测任务中表现良好,F1分数达到0.2774,位列任务排行榜第3位。
Aug, 2024