论文页面 - 德语政治文本的意识形态预测

来源：https://huggingface.co/papers/2605.14352

摘要

一种基于Transformer的模型利用多个语料库将政治倾向投射到连续光谱上，在检测不同文本来源的政治偏见方面实现了高准确率。

选举是国家持续发展中的关键里程碑。为了更好地理解从左翼到右翼各派政治运动中的修辞，我们提出了一种基于Transformer的模型（https://huggingface.co/papers?q=transformer-based%20model），该模型能够将文本的政治倾向（https://huggingface.co/papers?q=political%20orientation）投射到一个连续的左至右光谱（https://huggingface.co/papers?q=left-to-right%20spectrum）上，该光谱由归一化标量 d（-1 到 1）表示。这种方法使分析人员能够聚焦于政治图景中的特定部分（例如保守派），同时排除自由派和极右翼运动。这类任务只能通过多类别分类器（https://huggingface.co/papers?q=multiclass%20classifiers）实现，前提是目标倾向已包含在其预定义类别之一。为确定最适合此任务的基础模型（https://huggingface.co/papers?q=foundation%20model）（从 13 个候选 Transformer 中），我们构建了四个不同的语料库：一个语料库包含来自德国联邦议院的带注释全会记录；另一个基于官方在线决策工具 Wahl-O-Mat；第三个语料库包含来自 33 家报纸的文章，每篇文章按其政治倾向（https://huggingface.co/papers?q=political%20orientation）标识；第四个语料库包含来自第 20 届和第 21 届德国联邦议院 597 名议员的 535,200 条推文。为避免过拟合，我们分别使用两个语料库进行训练，两个语料库进行测试。在领域内性能（https://huggingface.co/papers?q=in-domain%20performance）上，DeBERTa-large（https://huggingface.co/papers?q=DeBERTa-large）取得了最高F1 分数（https://huggingface.co/papers?q=F1%20score）F1=0.844；在 X（Twitter）的领域外测试（https://huggingface.co/papers?q=out-of-domain%20test）中，ACC=0.864。在报纸领域外测试（https://huggingface.co/papers?q=out-of-domain%20test）中，Gemma2-2B（https://huggingface.co/papers?q=Gemma2-2B）表现最佳（MAE（https://huggingface.co/papers?q=MAE）= 0.172）。本研究表明，Transformer 模型能够以民调级别的准确度识别德语新闻中的政治框架。我们的发现表明，模型架构和领域特定训练数据的可用性与模型大小在估算政治偏见方面同样重要。我们讨论了方法上的局限性，并指出了提高偏见测量稳健性的方向。

查看 arXiv 页面（https://arxiv.org/abs/2605.14352）查看 PDF（https://arxiv.org/pdf/2605.14352）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.14352）

在您的 agent 中获取此论文：

hf papers read 2605.14352

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本论文的模型0

没有模型链接本论文

请在模型 README.md 中引用 arxiv.org/abs/2605.14352 以从本页链接。

引用本论文的数据集0

没有数据集链接本论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.14352 以从本页链接。

引用本论文的 Spaces0

没有 Space 链接本论文

请在 Space README.md 中引用 arxiv.org/abs/2605.14352 以从本页链接。

包含本论文的收藏集0

没有收藏集包含本论文

请将本论文添加到一个收藏集（https://huggingface.co/new-collection）中以从本页链接。