基于机器学习的德国议会演讲分析：主题与情感分类
计算与语言
2025-08-06 v1 机器学习
摘要
本研究通过分析约28,000篇来自最近五年德国议会（德国联邦议院）的演讲，探讨了政治话语中的议题与情感。我们开发并训练了两个用于主题和情感分类的机器学习模型，所训练的数据集经过人工标注。模型在主题分类（所有主题的平均值）上达到0.94的ROC曲线下面积（AUROC），在情感分类上达到0.89的AUROC。我们将两个模型应用于评估议题趋势和政党之间情感分布随时间的变化。分析结果揭示了政党在议会中的显著关系。特别是，对于从事政府转为反对派的政党可以观察到一种风格的变化。尽管意识形态位置重要，但执政责任也塑造了话语。该分析直接回应了关于议题演变、情感动态以及政党特定话语策略在德国联邦议院中的问题。
引用
@article{arxiv.2508.03181,
title = {Analyzing German Parliamentary Speeches: A Machine Learning Approach for Topic and Sentiment Classification},
author = {Lukas Pätz and Moritz Beyer and Jannik Späth and Lasse Bohlen and Patrick Zschech and Mathias Kraus and Julian Rosenberger},
journal= {arXiv preprint arXiv:2508.03181},
year = {2025}
}
备注
Accepted at 20th International Conference on Wirtschaftsinformatik (WI25); September 2025, M\"unster, Germany