政治-LLM：大语言模型在政治科学中的应用
计算与语言
2024-12-11 v1 人工智能
摘要
近年来，大语言模型（LLMs）在选举预测、情感分析、政策影响评估和误信息检测等政治科学任务中得到了广泛应用。同时，系统性地理解LLMs如何进一步革新化学科的需求也日益紧迫。在本工作中，我们——由计算机科学和政治科学组成的跨学科研究团队——提出了第一个原则化的框架，称为Political-LLM，以促进对将LLMs集成到计算政治科学中进行的全面理解。具体而言，我们首先引入了基本分类法，将现有研究分为两个视角：政治科学视角和计算方法视角。特别从政治科学视角出发，我们强调LLMs在自动化预测和生成任务、模拟行为动力学以及通过如反事实生成等工具改进因果推断方面的作用；从计算视角出发，我们介绍了针对政治语境下的LLMs在数据准备、微调和评估方法方面的最新进展。我们确定了关键挑战和未来方向，强调开发领域特定数据集、解决偏见和公平性问题、纳入人类专长以及重新定义评估标准以契合计算政治科学的独特要求。Political-LLM旨在为研究人员提供指南，促进在政治科学中进行有教育、伦理且有影响力的人工智能应用。我们的在线资源已公开：http://political-llm.org/。
引用
@article{arxiv.2412.06864,
title = {Political-LLM: Large Language Models in Political Science},
author = {Lincan Li and Jiaqi Li and Catherine Chen and Fred Gui and Hongjia Yang and Chenxiao Yu and Zhengguang Wang and Jianing Cai and Junlong Aaron Zhou and Bolin Shen and Alex Qian and Weixin Chen and Zhongkai Xue and Lichao Sun and Lifang He and Hanjie Chen and Kaize Ding and Zijian Du and Fangzhou Mu and Jiaxin Pei and Jieyu Zhao and Swabha Swayamdipta and Willie Neiswanger and Hua Wei and Xiyang Hu and Shixiang Zhu and Tianlong Chen and Yingzhou Lu and Yang Shi and Lianhui Qin and Tianfan Fu and Zhengzhong Tu and Yuzhe Yang and Jaemin Yoo and Jiaheng Zhang and Ryan Rossi and Liang Zhan and Liang Zhao and Emilio Ferrara and Yan Liu and Furong Huang and Xiangliang Zhang and Lawrence Rothenberg and Shuiwang Ji and Philip S. Yu and Yue Zhao and Yushun Dong},
journal= {arXiv preprint arXiv:2412.06864},
year = {2024}
}
备注
54 Pages, 9 Figures