DIVERSE：基于数据编程模型的 YouTube 视频评论立场数据集

公众对军事组织的看法显著影响其招募人才的能力。随着招募工作日益扩展到社交媒体等数字空间，评估社交媒体用户对在线军事内容的立场变得至关重要。然而，目前缺乏用于分析在线军事招募工作舆论的数据，且立场标注面临挑战，而这对理解公众认知至关重要。尽管立场分析对于成功的在线军事招募非常重要，但创建人工标注的领域内立场标签资源消耗巨大。在本文中，我们通过引入并发布 DIVERSE 数据集（https://doi.org/10.5281/zenodo.10493803）来解决立场标注的挑战以及在线军事招募公众舆论数据稀缺的问题。该数据集包含美国陆军官方 YouTube 频道视频的所有评论。我们采用了一种最先进的弱监督方法，利用大语言模型（LLM）对每条评论针对其对应视频及美国陆军的立场进行标注。我们的研究结果表明，美国陆军的视频在 2021 年后开始吸引大量评论，立场分布通常在支持、反对和中立评论之间保持平衡，但略微偏向反对而非支持。