利用上下文信息提升非正式政治话语中的立场检测效果——基于大语言模型的研究
计算与语言
2026-02-05 v1 人工智能
摘要
本研究探讨了如何利用大语言模型（LLM）进行非正式在线话语中的政治立场检测，其中语言常呈现讽刺、模糊且高度依赖上下文。我们考察是否提供上下文信息（ Specifically 指代用户概览摘要，源自历史帖子）可提升分类准确率。采用真实的政治论坛数据集，我们生成结构化的用户概览，概述用户的意识形态倾向、常见话题及语言模式。我们对七种最先进的 LLM 在基线与上下文增强 setup 下进行了全面的跨模型评估。研究结果表明，上下文提示显著提升了准确率，提升幅度介于 +17.5% 至 +38.5% 之间，最终达到最高 74% 的准确率，超越了以往方法。我们还分析了概览规模和帖子选择策略对性能的影响，发现策略性选取的政治内容优于规模更大、随机选择的上下文。这些发现凸显了在细腻的政治分类任务中，纳入用户层级上下文对提升 LLM 性能的重要价值。
引用
@article{arxiv.2602.04750,
title = {Exploiting contextual information to improve stance detection in informal political discourse with LLMs},
author = {Arman Engin Sucu and Yixiang Zhou and Mario A. Nascimento and Tony Mullen},
journal= {arXiv preprint arXiv:2602.04750},
year = {2026}
}
备注
14 pages, 7 figures