PoliPrompt：一种高性能、成本效益高的基于LLM的政治科学文本分类框架
该研究提出了一种基于适应性集成的无监督领域自适应框架，具有新颖的文本分类模型和时域训练，适用于历时文献，实验证明其性能优异，与强基准模型相比，更加稳定，具有更好的提取干净语料库的表现，可应用于政治科学等领域的研究。
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
本研究探讨了大型语言模型在分类公共事务文件中的性能，发现LLMs可以有效处理和理解公共事务文件中使用的复杂语言，并可用于处理特定领域的文件，如公共事务文件。
Jun, 2023
这项研究通过评估三类模型在八个数据集上完成了三个不同任务（命名实体识别、政党预测和虚假信息检测）的性能，发现大型语言模型在某些任务上表现出色，开源模型通过微调与封闭源模型相媲美，而监督较小的模型（如RoBERTa）在许多数据集上能够达到甚至超过生成型模型的性能，但封闭模型在需要最强泛化能力的难任务中仍然保持优势，这强调了模型选择在任务需求中的重要性。
Aug, 2023
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
使用GPT 3.5和GPT 4模型对议会法案和听证会进行分类，与人工干预程度相关的三种使用情景中，我们的结果表明完全依赖最小化人工干预的GPT不够充分，人工投入程度越高准确性越高，并在最需要人工干预的情况下取得了令人惊讶的高准确率。然而，优秀的使用情景中的83%准确率仅在两个模型达成一致的65%数据上实现，暗示着类似我们的方法相对容易实施，并可实现对大多数给定数据集的自动编码，从而节省资源并降低成本。
Oct, 2023
近期大语言模型（LLM）如GPT-3和GPT-4在政治学领域的文本分析方面取得了新突破，它们承诺以更好的结果和更少的编程工作来实现自动化。本研究评估LLM在三个原始编码任务的非英文政治学文本上的效果，并提供了在政治学研究中使用LLM进行文本编码的详细说明。我们的案例研究为希望将LLM纳入文本分析研究的研究人员提供了实用指南。我们发现，当提供了详细的标签定义和编码示例时，LLM可以与甚至优于人工标注员，且速度快得多（高达数百倍），成本更低（比人工编码节省高达60%），且更易于扩展到大量文本。总体而言，LLM是大多数文本编码项目的可行选择。
Nov, 2023
使用生成的大型语言模型生成的标签对监督文本分类模型进行微调，与使用人工标注的标签相比表现相当，是一种快速、高效和经济有效的构建监督文本分类器的方法。
Jun, 2024
评估LLM模型在预测政党立场方面的准确性，并探索通过使用RAG和自我反思等方法改进模型性能的替代方案。发现MIXTRAL模型的准确性达到82％，通过增加输入上下文可以显著提升性能，该方法仍然面临自动化方法的挑战。
Jul, 2024