大规模追踪影响力：一种用于关联公众评论与监管者回应的对比学习方法
计算与语言
2023-11-28 v1
摘要
美国联邦监管者每年收到来自企业、利益集团及公众逾百万封评论信，均倡导对拟议法规进行修改。这些评论被认为对公共政策具有广泛影响。然而，衡量特定评论的影响颇具挑战，因为监管者须对评论作出回应，却不必指明其所处理的是哪些评论。在本文中，我们提出一种简单而有效的解决方案：采用迭代对比方法训练神经网络模型，以匹配公众评论文本与监管者撰写的回应。我们证明，在人标注测试集上，我们的方案大幅优于一组选定的文本匹配基线。此外，其性能可与最先进的巨型语言模型(即GPT-4)相媲美，并在更大规模处理评论与监管者回应匹配时更具成本效益。
引用
@article{arxiv.2311.14871,
title = {Tracing Influence at Scale: A Contrastive Learning Approach to Linking Public Comments and Regulator Responses},
author = {Linzi Xing and Brad Hackinen and Giuseppe Carenini},
journal= {arXiv preprint arXiv:2311.14871},
year = {2023}
}
备注
Accepted to the Natural Legal Language Processing Workshop 2023 (NLLP 2023)