L(u)PIN: 基于大语言模型的政治意识形态现场预测
计算与语言
2024-05-14 v1
摘要
政治意识形态位置的定量分析是一项困难的任务。过去， various 文献聚焦于议会投票数据、政党纲领和议会演讲，以估计不同政治体制中的政治分歧和两极化。然而，过去的定量政治分析方法普遍面临数据获取量不足的挑战。此外，这些方法常常聚焦于更宏观的政治分析，如议会或政党整体的政治意识形态位置。本文提出了一种方法，通过利用大语言模型（LLM）的潜在知识来分析 individual 议会代表的意识形态位置。该方法允许我们在我们选择的轴上评估政治家的立场，从而灵活地测量他们在特定议题/争议上的立场。我们通过使用微调的 BERT 分类器从代表的演讲中提取基于意见的句子，并将每个代表的平均 BERT 嵌入在一对参考种子上进行投影。这些参考种子要么是手动选择的在特定议题上持相反观点的代表人物，要么是使用 OpenAI 的 GPT-4 模型生成的句子。我们通过提示 GPT-4 模型生成某位代表为特定立场辩护的演讲来创建这些句子。
引用
@article{arxiv.2405.07320,
title = {L(u)PIN: LLM-based Political Ideology Nowcasting},
author = {Ken Kato and Annabelle Purnomo and Christopher Cochrane and Raeid Saqur},
journal= {arXiv preprint arXiv:2405.07320},
year = {2024}
}