少数伪善者：在线气候变化辩论中伪善指控检测的少样本学习与子类型定义

气候危机是在线讨论中的突出问题，而伪善指控是这些辩论中的核心修辞元素。然而，对于大规模文本分析而言，伪善指控检测是一个研究不足的工具，通常被定义为谬误论证检测的一个较小子任务。在本文中，我们将伪善指控检测定义为 NLP 中的一项独立任务，并识别出伪善指控的不同相关子类型。我们的气候变化伪善指控语料库（CHAC）包含 420 条 Reddit 气候辩论评论，由专家标注为两种不同类型的伪善指控：个人伪善与政治伪善。我们评估了使用 6 个样本的少样本上下文学习以及 3 个指令微调的大型语言模型（LLMs）在该数据集上检测伪善指控的表现。结果表明，GPT-4o 和 Llama-3 模型在检测伪善指控方面表现出色（F1 达到 0.68，而先前工作的 F1 为 0.44）。然而，对于伪善指控这样复杂的语义概念，上下文至关重要，我们发现与个人道德伪善相比，模型在识别政治伪善指控时尤为困难。我们的研究为伪善检测和气候变化话语提供了新见解，并为在线气候辩论中伪善指控的大规模分析奠定了基础。