发现社交媒体消息中的潜在主题：一种集成 LLMs 的机器在环方法

把握社交媒体内容的主题是理解影响公众意见和行为的叙事的关键。主题分析超越了传统的话题级分析，后者往往只捕获最宽泛的模式，提供对特定且可操作主题（如 "公众对疫苗的态度"、"关于气候政策的政治话语" 等）的更深入见解。本文我们介绍一种发现社交媒体消息中潜在主题的新方法。鉴于传统主题发现方法的局限性——它们倾向于只捕获最广泛的模式——本研究强调需要对更细粒度、以主题为导向的探索。传统的主题发现方法通常涉及手动过程和人类在环方法。虽然这些方法很有价值，但面临可扩展性、一致性以及时间和成本方面的挑战。为解决这些挑战，我们提出一种机器在环方法，利用大型语言模型（LLMs）的先进能力。为展示我们的方法，我们将其应用于具有争议性的话题，如气候辩论和疫苗辩论。我们使用两个公开数据集：（1）包含 21k 条 Facebook 广告的气候运动数据集，和（2）包含 9k 条 Facebook 广告的新冠疫苗运动数据集。我们的定量和定性分析表明，我们的方法在准确性和可解释性方面优于基线方法。我们的结果不仅展示了我们方法在发现潜在主题方面的有效性，也阐明了这些主题如何针对特定人口群体进行定向设计。此外，我们的工作揭示了社交媒体的动态本质，揭示了随实际事件变化而变化的主题关注点的转变。