使用 LLM 识别 1800 万条跨 19 个国家推文中的负面竞选行为
计算与语言
2025-07-24 v1
摘要
负面竞选是政治竞争的核心特征，但现有分类方法的高成本和有限可扩展性限制了实证研究。本研究作出两个关键贡献。首先，我们引入零样本大语言模型（LLM）作为跨语言负面竞选分类的新方法。使用十种语言的基准数据集，我们展示 LLM 的性能与 native-speaking 人类编码师相当，并超越传统监督机器学习方法。其次，我们利用这种新方法进行最大规模的跨国家负面竞选研究，分析 2017 年至 2022 年间来自 19 个欧洲国家议员发布的 1800 万条推文。结果揭示了一致的跨国模式：执政党不太可能使用负面信息，特别是极端主义和民粹主义党派——尤其是激进右派——从事的负面活动显著更高。这些发现促进了我们对党派层面特征如何塑造多党制系统中战略性沟通的理解。更广泛地说，本研究表明 LLM 有潜力实现跨语言和文化背景下的政治沟通可扩展、透明且可复制的研究。
引用
@article{arxiv.2507.17636,
title = {Who Attacks, and Why? Using LLMs to Identify Negative Campaigning in 18M Tweets across 19 Countries},
author = {Victor Hartman and Petter Törnberg},
journal= {arXiv preprint arXiv:2507.17636},
year = {2025}
}