超越情感：利用主题指标进行政治立场分类
计算与语言
2023-10-25 v1 计算机与社会
摘要
情感分析因仅能捕捉语料库的整体基调而受到广泛批评，无法准确反映文本中的潜在结构和政治立场。本研究引入了主题指标，即从提取的主题转换而来的虚拟变量，作为立场分类中情感指标的替代和补充。通过使用 Bestvater 和 Monroe (2023) 确定的三个数据集，本研究展示了 BERTopic 在提取连贯主题方面的能力，以及主题指标在立场分类中的有效性。实验结果表明，与早期政治科学研究中常用的传统方法（如潜在狄利克雷分配 (LDA) 和非负矩阵分解 (NMF)）相比，BERTopic 将连贯性分数提高了 17.07% 到 54.20%。此外，我们的结果表明，主题指标在立场分类中优于情感指标，性能提升高达 18.95%。我们的发现表明，主题指标对于上下文丰富的文本以及立场与情感相关性较弱的语料库尤其有效。在大多数场景下，情感指标与主题指标的结合能达到最优性能，并能进一步解决仅依赖情感指标的局限性以及主题指标连贯性分数低的问题。
引用
@article{arxiv.2310.15429,
title = {Beyond Sentiment: Leveraging Topic Metrics for Political Stance Classification},
author = {Weihong Qi},
journal= {arXiv preprint arXiv:2310.15429},
year = {2023}
}