Elite Polarization in European Parliamentary Speeches: a Novel Measurement Approach Using Large Language Models
作者: Gennadii Iakovlev
分类: cs.CL, cs.AI
发布日期: 2025-07-09
💡 一句话要点
利用大型语言模型进行政治人物情感分析，提出一种测量精英极化的新方法
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 精英极化 大型语言模型 情感分析 政治人物识别 议会演讲
📋 核心要点
- 现有方法难以有效量化政治精英之间的极化程度，缺乏细粒度的情感分析。
- 利用大型语言模型进行政治人物识别和情感分析，构建精英极化指数。
- 该指数对选举、危机和政权更迭等事件敏感，验证了其有效性。
📝 摘要（中文）
本项目提出了一种利用人工智能进行政治人物和主题检测，从而测量精英极化的新方法。该方法识别政治家在议会演讲中提及其他政治人物的时刻，记录发言者和被提及者，并评估这些评价背后的情感温度。这可以映射出精英如何评价不同的党派，从而创建一个相互敌视的党派指数，即精英极化指数。虽然我分析了英国过去四十年以及匈牙利和意大利过去二十年的极化数据，但我的方法为欧盟范围内长达二十年的精英极化时间序列数据集奠定了基础。获得的结果可以按政党和季度进行汇总。由此产生的指数表现出良好的表面有效性：它对选举活动、国家和政党层面的危机以及政党失去和掌握权力等事件做出反应。
🔬 方法详解
问题定义：论文旨在解决政治精英极化程度难以量化的问题。现有方法通常依赖于人工编码或简单的文本分析，无法捕捉政治人物之间复杂的情感关系，也难以进行大规模的时间序列分析。
核心思路：论文的核心思路是利用大型语言模型（LLM）的自然语言理解能力，自动识别议会演讲中政治人物之间的互动，并分析其中的情感倾向。通过量化政治人物对其他党派成员的评价，构建一个反映精英极化程度的指标。
技术框架：该方法包含以下主要步骤：1) 数据收集：收集英国、匈牙利和意大利等国的议会演讲文本数据。2) 政治人物识别：利用LLM识别演讲文本中提及的政治人物。3) 情感分析：分析发言者对被提及者的情感倾向（例如，积极、消极、中性）。4) 极化指数构建：基于情感分析结果，计算不同党派之间的相互敌视程度，构建精英极化指数。5) 时间序列分析：分析极化指数随时间的变化趋势，并与政治事件进行对比。
关键创新：该方法的关键创新在于利用LLM进行政治人物识别和情感分析，实现了对政治精英极化程度的自动化、细粒度量化。与传统方法相比，该方法能够处理大规模文本数据，并捕捉政治人物之间复杂的情感关系。
关键设计：论文中关键的设计包括：1) 使用特定领域预训练的LLM，以提高政治人物识别的准确性。2) 设计合适的情感分类器，以准确评估发言者的情感倾向。3) 定义合理的极化指数计算方法，以反映不同党派之间的相互敌视程度。具体的参数设置、损失函数和网络结构等技术细节在论文中可能未详细描述，属于未知信息。
🖼️ 关键图片
📊 实验亮点
该研究构建的精英极化指数能够有效反映政治事件的影响，例如选举活动、国家和政党层面的危机以及政党权力更迭。该指数对这些事件的敏感性验证了其表面有效性，表明该方法能够准确捕捉政治精英之间的极化程度。
🎯 应用场景
该研究成果可应用于政治学、社会学等领域，用于监测和分析政治极化现象，评估政治风险，预测选举结果，以及研究政治传播和舆论引导。该方法可以扩展到其他国家和地区的议会数据，构建全球范围内的政治极化监测系统，具有重要的学术价值和社会意义。
📄 摘要（原文）
This project introduces a new measure of elite polarization via actor and subject detection using artificial intelligence. I identify when politicians mention one another in parliamentary speeches, note who is speaking and who is being addressed, and assess the emotional temperature behind these evaluations. This maps how elites evaluate their various out-parties, allowing us to create an index of mutual out-party hostility, that is, elite polarization. While I analyzed polarization data over the past four decades for the UK, and two decades for Hungary and Italy, my approach lays the groundwork for a twenty-year, EU-wide time-series dataset on elite polarization. I obtain the results that can be aggregated by party and quarter. The resulting index demonstrates a good face validity: it reacts to events such as electoral campaigns, country- and party-level crises, and to parties losing and assuming power.