基于层次提示微调的细粒度宣传分类
计算与语言
2026-05-14 v1 计算机与社会
摘要
社交媒体中的宣传检测由于文本嘈杂、篇幅短小以及标注一致性低，面临着诸多挑战。我们提出了新的以意图为导向的宣传技巧分类体系，并将其与已建立的、一致性更高的分类体系进行比较。我们在模型组合、分类体系影响以及提示策略三个维度上评估了这些分类体系作为分类任务的效果，并借助四个语言模型(GPT-4.1-nano、Phi-4 14B、Qwen2.5-14B、Qwen3-14B)。我们的结果表明，微调是必不可少的，因为它将较弱的零样本基线转化为具有竞争力的系统，揭示了使用基础模型时隐藏的方法差异。在不同分类体系中，Qwen模型实现了最佳整体性能，Phi-4 14B在所有情况下都优于GPT-4.1-nano。我们的层次提示方法(HiPP)，即在聚合之前预测细粒度技巧，对微调后在更模糊、一致性较低的分类体系特别有益，而在更简单的数据标注体系中仍保持竞争力。配备新意图标签的HQP数据集提供了对宣传战略目标的更丰富视角，为未来在鲁棒、现实世界的检测任务中提供了具有挑战性的基准。
引用
@article{arxiv.2605.13663,
title = {Fine-tuning with Hierarchical Prompting for Robust Propaganda Classification Across Annotation Schemas},
author = {Lukas Stähelin and Veronika Solopova and Max Upravitelev and David Kaplan and Ariana Sahitaj and Premtim Sahitaj and Charlott Jakob and Sebastian Möller and Vera Schmitt},
journal= {arXiv preprint arXiv:2605.13663},
year = {2026}
}