The Spread of Propaganda by Coordinated Communities on Social Media
Sofia University（索菲亚大学）；IIT-CNR（意大利国家研究委员会信息学与电信研究所）；University of Padova（帕多瓦大学）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
对社交媒体的大规模操纵有两个重要特征：（i）利用宣传来影响他人，（ii）采取协调一致的行为来传播它并扩大其影响。尽管它们之间有联系，但这两个特征迄今为止一直被孤立地考虑。我们的目标是弥合这一差距。特别是，我们分析了宣传的传播及其与2019年英国大选的大型Twitter数据集上协调行为的相互作用。我们首先提出并评估了几个衡量Twitter上宣传使用的指标。然后，我们调查了不同的协调社区，参与了在线辩论的宣传使用。宣传和协调行为的结合使用使我们能够揭示不同社区的真实性和危害性。最后，我们比较了我们的宣传和协调措施与自动化（即，bot）得分和Twitter暂停，揭示了有趣的趋势。从理论的角度来看，我们介绍了一种方法来分析在线行为的几个重要方面，很少联合考虑。从实用的角度来看，我们提供了新的见解，真实和不真实的在线活动在2019年英国大选期间。
2022-05-21 cs.AI cs.CL cs.SI
SWARM: A Multilingual Human-Annotated Dataset for Russian Propaganda Detection in Search Engine Results
Weizenbaum Institute（魏茨鲍姆研究所）；University of Oxford（牛津大学）；University of Bern（伯尔尼大学）
本文提出多语言数据集SWARM，含2,183条搜索引擎结果，用于检测俄语宣传，发现内容级分析优于来源屏蔽列表，最强LLM的F1达0.73。
2026-09-14 cs.CL
Prta: A System to Support the Analysis of Propaganda Techniques in the News
Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；Università di Bologna（博洛尼亚大学）
近期发生的事件，如2016年美国总统竞选、英国脱欧及COVID-19“信息流行病”，令网上虚假信息的危险成为焦点。有很多研究集中在事实核查和虚假信息检测。然而，很少有人注意到用于传达宣传信息的具体修辞和心理技巧。揭示这些技术的使用有助于促进媒体素养和批判性思维，并最终有助于限制“假新闻”和虚假信息运动的影响。Prta（Propaganda Persuadication Techniques Analyzer）允许用户通过突出宣传技巧出现的跨度来定期探索抓取的文章，并根据他们使用的宣传技巧进行比较。该系统还报告关于这些技术的使用的统计数据，总体上和随着时间的推移，或者根据由用户基于时间间隔、关键字和/或媒体的政治取向指定的过滤标准。此外，它允许用户通过专用接口或API分析任何文本或URL。该系统可在线获取：https://www.tanbih.org/prta
2020-05-12 cs.CL cs.IR cs.LG
Interpretable Propaganda Detection in News Articles
Amazon Alexa AI（亚马逊Alexa AI）；University of Padova（帕多瓦大学）；MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；Qatar Computing Research Institute（卡塔尔计算研究所）
今天的在线用户每天都面临着误导性和宣传性的新闻文章和媒体帖子。为了应对这种情况，已经设计了一些方法，旨在实现更健康和更安全的在线新闻和媒体消费。自动化系统能够支持人类检测这些内容;然而，它们广泛采用的主要障碍是，除了准确之外，这些系统的决策还需要可解释，以便被用户信任和广泛采用。由于误导性和宣传性的内容通过使用一些欺骗技术影响读者，我们建议检测和显示使用这些技术作为一种方式来提供可解释性。特别是，我们定义定性描述功能，我们分析其适用性检测欺骗技术。我们进一步表明，我们的可解释特征可以轻松地与预训练的语言模型相结合，从而产生最先进的结果。
2021-08-29 cs.AI cs.CL cs.LG
Nexus at ArAIEval Shared Task: Fine-Tuning Arabic Language Models for Propaganda and Disinformation Detection
Carnegie Mellon University in Qatar（卡内基梅隆大学卡塔尔分校）；Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈马德·本·哈利法大学）
本研究参与ArAIEval阿拉伯语宣传与虚假信息检测共享任务的1A、2A子任务，通过微调transformer模型并结合GPT-4的零样本、少样本学习方法，最终分别取得第9、第10名的成绩。
2023-11-06 cs.AI cs.CL cs.SI
QiBERT -- Classifying Online Conversations Messages with BERT as a Feature
本文提出 QiBERT，利用 SBERT 嵌入作为监督学习特征，对葡萄牙学校在线辩论中的短文本消息进行是否切题的分类，平均准确率超过 0.95。
2024-09-09 cs.CL
Paying Attention to Deflections: Mining Pragmatic Nuances for Whataboutism Detection in Online Discourse
Department of Computer Science（计算机科学系）
本文通过 Twitter 和 YouTube 新数据集，区分 whataboutism、宣传和 tu quoque 囤谬，提出基于注意力权重的负样本挖掘方法，提升检测精度。
2024-09-22 cs.AI cs.CL
HealthE: Classifying Entities in Online Textual Health Advice
Dartmouth（达特茅斯学院）
自然语言中实体的处理对于许多医学NLP系统是必不可少的。不幸的是，现有的数据集大大低估了建模公共卫生相关文本所需的实体，例如经常在WebMD等网站上找到的健康建议。人们依赖这些信息进行个人健康管理和临床相关决策。在这项工作中，我们发布了一个新的注释数据集HealthE，由6，756条健康建议组成。与现有的医疗NER语料库相比，HealthE具有更细粒度的标签空间，并包含各种健康短语的注释。此外，我们引入了一个新的健康实体分类模型，EP S-BERT，它利用文本上下文模式的实体类的分类。EP S-BERT在F1评分上比最近的基线增加了4分，与经过培训从临床文本中提取疾病和药物提及的现成医疗NER工具相比，F1增加了34分。所有代码和数据都在Github上公开。
2022-10-06 cs.CL
KoMultiText: Large-Scale Korean Text Dataset for Classifying Biased Speech in Real-World Online Services
Kyunghee University（庆熙大学）；Hongik University（弘益大学）；Catholic University（天主教大学）；Dankook University（檀国大学）；POSTECH（浦项科技大学）
本文介绍KoMultiText，一个从韩国SNS平台收集的大规模韩语文本数据集，包含偏好、亵渎和九种偏见标注，利用BERT模型实现多任务分类，超越人类水平，助力在线社区健康。
2023-11-12 cs.CL
SACRED: A Faithful Annotated Multimedia Multimodal Multilingual Dataset for Classifying Connectedness Types in Online Spirituality
University of Zurich（苏黎世大学）；Ping An Technology（平安科技）
本文提出SACRED数据集，用于分类在线灵性中的连接类型，评估13种LLM及传统方法，发现DeepSeek-V3在抽象概念分类中表现优异，GPT-4o-mini在视觉任务中表现最佳，同时发现新的连接类型。
2026-03-28 cs.CL cs.MM
Who is Addressed in this Comment? Automatically Classifying Meta-Comments in News Comments
University of Hamburg（汉堡大学）；Hans-Bredow-Institute（汉斯·布雷多研究所）
用户评论已成为在线新闻的重要组成部分。然而，新闻编辑室经常被大量不同的评论所淹没，人工分析几乎不可行。识别那些涉及或提到新闻编辑室、个别记者或主持人的元评论，以及可能需要做出反应的元评论尤为重要。在本文中，我们提出了一个自动化的方法来识别和分类元评论。我们将基于手动提取特征的评论分类与端到端学习方法进行了比较。我们开发，优化和评估多个分类器的大型德国在线新闻编辑室明镜在线和“一百万个帖子”的DER标准，奥地利报纸语料库的评论数据集。两种优化的分类方法都取得了令人鼓舞的$F_{0.5}$值，在76%和91%之间。我们报告最重要的分类功能与定性分析的结果，并讨论我们的工作如何有助于使参与在线新闻更具建设性。
2018-10-02 cs.CL cs.CY
Classifying Conspiratorial Narratives At Scale: False Alarms and Erroneous Connections
University of Pittsburgh（匹兹堡大学）
本文提出基于作者立场对阴谋论讨论进行分类的通用方案，训练BERT分类器并与GPT对比，在Reddit大规模数据上发现仅三分之一帖子宣扬阴谋论，并揭示GPT在逻辑推理上的缺陷。
2024-03-29 cs.CL cs.SI
Neural network approach to classifying alarming student responses to online assessment
自动评分引擎越来越多地被用于对学生对问题的自由形式的文本回答进行评分。这样的引擎没有被设计成适当地处理人类读者会发现令人震惊的响应，诸如指示自我伤害或伤害他人的意图的那些响应、暗示药物滥用或性虐待的响应或会引起撰写响应的学生的关注的任何响应。我们的神经网络模型旨在帮助从学生给出的大量典型反应中识别这些异常反应。由神经网络识别的响应可以比其他可能的方式更快地由审查者团队评估紧急性、严重性和有效性。鉴于这些类型的反应的异常性质，我们的目标是最大限度地提高标记这些反应进行审查的机会，因为只有固定比例的反应可以由一个审查小组进行可行的评估。
2018-09-20 cs.CL cs.IR cs.LG
Classifying COVID-19 vaccine narratives
University of Sheffield（谢菲尔德大学）
针对疫苗犹豫问题，本文提出一种疫苗叙事分类任务，将COVID-19疫苗主张分为七类，并构建数据集及神经分类器，交叉验证准确率达84%，可供研究者和记者使用。
2023-11-17 cs.CL
When Hate Meets Facts: LLMs-in-the-Loop for Check-worthiness Detection in Hate Speech
Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究中心）；University of Groningen（格罗宁根大学）
本文提出WSF-ARG+数据集和LLM循环框架，通过12种不同模型测试，证明该框架能减少人工标注工作量并提升仇恨言论检测性能，检查标签可使大模型宏F1提升0.213。
2026-09-01 cs.CL
An Emotional Analysis of False Information in Social Media and News Articles
Universitat Politècnica de València（瓦伦西亚理工大学）；Autoritas Consulting（奥里塔斯咨询公司）
假新闻是有风险的，因为它是为了操纵读者的观点和信仰而创造的。在这项工作中，我们从情感的角度比较了虚假新闻和真实新闻的语言，考虑了社交媒体和在线新闻文章来源的一系列虚假信息类型（宣传，恶作剧，点击诱饵和讽刺）。我们的实验表明，虚假信息在每种类型中都有不同的情感模式，而情感在欺骗读者方面起着关键作用。在此基础上，我们提出了一个注入情感的LSTM神经网络模型来检测虚假新闻。
2019-08-26 cs.CL cs.IR cs.SI
Assessing Large Language Models for Online Extremism Research: Identification, Explanation, and New Knowledge
George Mason University（乔治梅森大学）
本研究评估了BERT和GPT模型在检测和分类在线极端主义帖子方面的性能，发现GPT模型在零样本设置下优于BERT，且不同GPT版本对不同意识形态极端主义分类表现各异。
2024-08-29 cs.AI cs.CL
Harnessing Artificial Intelligence to Combat Online Hate: Exploring the Challenges and Opportunities of Large Language Models in Hate Speech Detection
Arizona State University（亚利桑那州立大学）
本研究通过文献综述与实证分析，探讨大语言模型在仇恨言论检测中的能力与限制，识别表现优异的模型及其影响因素。
2024-03-12 cs.AI cs.CL
A Surrogate-based Generic Classifier for Chinese TV Series Reviews
Virginia Tech（弗吉尼亚理工大学）；Xi’an Jiaotong Univeristy（西安交通大学）
随着Youtube、优酷、乐视等网络视频平台的兴起，网络电视剧的评论对于观众和制作方来说都变得越来越重要。消费者在选择电视剧之前严重依赖这些评论，而制片人则利用它们来提高质量。因此，根据不同的要求自动分类评论演变为一个热门的研究课题，在我们的日常生活中是必不可少的。本文以中国热门电视剧评论为研究对象，成功训练了基于八个预定义类别的类属分类器。实验结果表明，该方法具有良好的性能和推广到不同电视剧的有效性。
2016-11-21 cs.CL
A Robust Framework for Classifying Evolving Document Streams in an Expert-Machine-Crowd Setting
Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；Eurecat（Eurecat技术与创新中心）
社交媒体数据流的在线分类中的一个新兴挑战是保持用于分类的类别是最新的。在本文中，我们提出了一个创新的框架的基础上专家机器人群（EMC）的黑社会，以帮助分类项目不断识别新的概念，在异构数据流中往往充斥着离群值。我们统一约束聚类和离群点检测制定一个新的优化问题：COD-Means。我们设计了一个算法来解决COD-Means问题，并表明COD-Means不仅有助于检测新的类别，而且还可以无缝地发现人类注释错误，并提高分类过程的整体质量。不同的真实数据集上的实验表明，我们的方法是有效的和高效的。
2016-10-06 cs.CL cs.IR
A framework for fake review detection in online consumer electronics retailers
Universidad Politécnica de Madrid（马德里理工大学）
在过去几年中，在线评论对企业的影响显著增长，对于决定从餐馆，酒店到电子商务等广泛行业的业务成功至关重要。不幸的是，一些用户使用不道德的手段，通过撰写对其企业或竞争对手的虚假评论来提高他们的在线声誉。以前的研究已经解决了许多领域的虚假评论检测，例如餐馆和酒店的产品或商业评论。然而，尽管它的经济利益，消费电子业务的领域尚未得到彻底的研究。本文提出了一个功能框架，用于检测已在消费电子领域进行了评估的虚假评论。贡献有四个方面：（i）基于抓取技术构建用于对四个不同城市的消费电子领域的虚假评论进行分类的数据集;（ii）定义用于虚假评论检测的特征框架;（iii）基于所提出的框架开发虚假评论分类方法;以及（iv）评估和分析每个研究城市的结果。我们在分类任务上达到了82% F-Score，并且根据Friedman测试，Ada Boost分类器通过统计手段被证明是最好的分类器。
2019-03-29 cs.CL
Understanding the Radical Mind: Identifying Signals to Detect Extremist Content on Twitter
University of Oxford（牛津大学）；University of Kent（肯特大学）
互联网，特别是在线社交网络，改变了恐怖主义和极端主义团体影响和煽动个人的方式。最近的报告显示，这些团体的运作模式首先是让广大受众在网上接触极端主义材料，然后将他们转移到不太开放的网上平台，进一步激进化。因此，识别网上的激进内容对于限制极端主义言论的影响和传播至关重要。在本文中，我们的目的是确定自动检测社交媒体中激进内容的措施。我们确定了几个信号，包括文本，心理和行为，一起允许激进的信息分类。我们的贡献有三个方面：（1）我们分析了极端主义团体发布的宣传材料，并创建了一个基于上下文的激进内容模型;（2）我们建立了一个从这些材料中推断出的心理特性模型;（3）我们在Twitter上评估这些模型，以确定自动识别在线激进推文的可能性。我们的研究结果表明，激进的用户表现出可区分的文本，心理和行为属性。我们发现，心理属性是最显著的特征之一。此外，我们的研究结果表明，使用矢量嵌入功能的文本模型显着提高了TF-IDF功能的检测。我们验证了我们的方法在两个实验实现高精度。我们的研究结果可以作为检测在线激进活动的信号。
2019-05-15 cs.CL cs.CY cs.LG
TeamX@DravidianLangTech-ACL2022: A Comparative Analysis for Troll-Based Meme Classification
BJIT Limited（BJIT有限公司）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
假新闻、宣传、错误信息、虚假信息和有害内容在网上的传播引起了社交媒体平台、政府机构、政策制定者和整个社会的担忧。这是因为这种有害或滥用的内容会给人们带来身体、情感、关系和经济等方面的后果。在不同的有害内容中，\textit{trolling-based}在线内容就是其中之一，其目的是发布具有挑衅性、攻击性或威胁性的信息，意图误导受众。内容可以是文本的、视觉的、两者的组合，或者是模因。在这项研究中，我们提供了一个基于巨魔模因分类的文本，视觉和多模态内容的比较分析。我们报告了几个有趣的发现，在代码混合文本，多模式设置，并结合一个额外的数据集，这表明大多数基线的改进。
2022-05-09 cs.AI cs.CL cs.CV
Multilingual Disinformation Detection for Digital Advertising
Criteo AI Lab（科韬人工智能实验室）
在当今世界，网上虚假信息和宣传的存在比以往任何时候都更加广泛。独立出版商的资金主要来自数字广告，不幸的是，那些发布虚假信息内容的出版商也是如此。如何将这些出版商从广告库存中删除的问题长期以来一直被忽视，尽管这对开放的互联网产生了负面影响。在这项工作中，我们朝着快速检测和红色标记可能利用虚假信息操纵公众的网站迈出了第一步。我们建立了一个基于多语言文本嵌入的机器学习模型，该模型首先确定页面是否提到了感兴趣的主题，然后估计内容是恶意的可能性，创建一个由人类专家审查的发布者候选名单。我们的系统使内部团队能够主动而不是防御性地将不安全的内容列入黑名单，从而保护广告提供商的声誉。
2022-07-04 cs.CL cs.LG
Entity-Specific Sentiment Classification of Yahoo News Comments
Yahoo Labs（雅虎实验室）；University of North Texas（北德克萨斯大学）
情感分类广泛用于产品评论和在线社交媒体，如论坛，Twitter和博客。然而，对新闻网站上用户评论的情感进行分类的问题尚未得到解决。新闻网站涵盖了广泛的领域，包括政治，体育，技术和娱乐，而其他在线社交网站，如论坛和评论网站，这是特定于一个特定的领域。与新闻站点相关联的用户可能对不同的主题（例如，政治、智能手机和体育）或不同的实体（例如，奥巴马、iPhone或谷歌）。对与各种实体相关联的用户的情感进行分类可以帮助获得他们个性的整体视图，这在诸如在线广告、内容个性化和政治竞选规划等应用中可能是有用的。在本文中，我们制定的问题，在雅虎新闻的新闻文章发表评论的实体特定的情感分类，并提出新的功能，是特定的新闻评论。实验结果表明，我们的模型优于最先进的基线。
2015-06-11 cs.CL cs.IR cs.SI
Characterizing and Classifying Developer Forum Posts with their Intentions
Polytechnique Montréal（蒙特利尔理工学院）；Peritus.ai Canada Inc.（Peritus.ai加拿大公司）；Peritus.ai, Inc.（Peritus.ai公司）
本文构建技术论坛帖子意图分类体系，分析代码、错误信息与意图的关联，并提出基于预训练 transformer 的自动意图预测模型，性能优于现有基线。
2024-04-10 cs.CL cs.LG cs.SE
Reducing Unintended Identity Bias in Russian Hate Speech Detection
VK Lab（VK实验室）
毒性已成为许多在线社区的严重问题，并在包括俄语在内的许多语言中不断增长。仇恨言论创造了一种恐吓、歧视的环境，甚至可能煽动一些现实世界的暴力。一段时间以来，研究人员和社交平台都一直专注于开发模型来检测在线交流中的毒性。这些模型的一个共同问题是对一些词（例如女人，黑人，犹太人）的偏见，这些词不是有毒的，但由于模型的警告，它们会成为分类器的触发器。在本文中，我们描述了我们对俄罗斯的仇恨言论进行分类的努力，并提出了减少意外偏见的简单技术，例如使用与受保护身份相关的术语和单词作为上下文，并将单词丢弃应用于这些单词的语言模型生成训练数据。
2020-10-22 cs.AI cs.CL
Classifying patient voice in social media data using neural networks: A comparison of AI models on different data sources and therapeutic domains
Talking Medicines Limited（Talking Medicines有限公司）
该研究通过语言分析比较 Reddit 与 SocialGist 中多治疗领域患者语言，并训练 CNN 和 transformer 分类器识别患者体验帖子，全数据 transformer 取得最佳跨域表现。
2023-11-30 cs.AI cs.CL cs.LG
AbuseAnalyzer: Abuse Detection, Severity and Target Prediction for Gab Posts
International Institute of Information Technology Hyderabad（海得拉巴国际信息技术研究所）；Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术研究所）；Microsoft（微软）
虽然在线社交媒体平台的广泛普及使信息传播更快，但也导致了不同类型的广泛在线滥用，如仇恨言论、攻击性语言、性别歧视和种族主义观点等。以前的工作集中在将用户帖子分类为各种形式的滥用行为。但几乎没有任何关注估计虐待的严重程度和目标。在本文中，我们提出了第一个数据集，其中包含来自Gab的7601个帖子，该数据集从滥用的存在，严重程度和滥用行为的目标的角度来看待在线滥用。我们还提出了一个系统来解决这些任务，获得的准确性为80%的滥用存在，滥用目标预测的准确性为82%，滥用严重程度预测的准确性为65%。
2020-10-08 cs.CL cs.IR
A Survey on Multimodal Disinformation Detection
Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；IIT-CNR（意大利国家研究委员会信息处理研究所）；IIT Delhi（德里印度理工学院）；Sapienza University of Rome（罗马第一大学）；Sofia University（索非亚大学）；University of Padova（帕多瓦大学）；Facebook AI（脸书人工智能）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
近年来，网上攻击性内容激增，如假新闻，宣传，错误信息和虚假信息。虽然最初这主要是关于文本内容，但随着时间的推移，图像和视频越来越受欢迎，因为它们比文本更容易消费，吸引更多的注意力，并传播得更远。因此，研究人员开始利用不同的模式及其组合来解决在线多模态攻击性内容。在这项研究中，我们提供了一个调查的国家的最先进的多模态虚假信息检测，涵盖各种形式的组合：文本，图像，语音，视频，社交媒体网络结构和时间信息。此外，虽然一些研究侧重于真实性，但其他研究调查了内容的危害程度。虽然虚假信息定义中的这两个组成部分（i）真实性和（ii）危害性同样重要，但它们通常被孤立地研究。因此，我们认为，需要解决虚假信息检测，同时考虑到多种形式以及事实性和危害性，在同一个框架。最后，我们讨论了当前的挑战和未来的研究方向
2022-09-28 cs.AI cs.CL cs.CR
LLM-based Semantic Augmentation for Harmful Content Detection
The University of Queensland（昆士兰大学）
本研究提出利用LLM进行文本清洗和语义增强，以提升有害内容检测性能，在多个数据集上达到与人工标注相当的效果且成本更低。
2025-04-22 cs.CL cs.CY
ToxVis: Enabling Interpretability of Implicit vs. Explicit Toxicity Detection Models with Interactive Visualization
Virginia Tech（弗吉尼亚理工大学）
网络平台上仇恨言论的兴起导致了对有效内容审核的迫切需求。然而，仇恨在线内容的主观性和多方面性，包括隐含的仇恨言论，对人类版主和内容审核系统构成了重大挑战。为了解决这个问题，我们开发了ToxVis，这是一种视觉交互和可解释的工具，用于将仇恨言论分为三类：隐含的，明确的和非仇恨的。我们使用RoBERTa、XLNET和GPT-3微调了两个基于变压器的模型，并使用深度学习解释技术为分类结果提供解释。ToxVis使用户能够输入潜在的仇恨文本，并接收分类结果以及对哪些单词对决策贡献最大的视觉解释。通过使分类过程变得可解释，ToxVis提供了一个有价值的工具，用于理解仇恨内容的细微差别，并支持更有效的内容审核。我们的研究为越来越多的旨在减轻在线仇恨言论造成的危害的工作做出了贡献，并展示了将最先进的自然语言处理模型与可解释的深度学习技术相结合来解决这一关键问题的潜力。最后，ToxVis可以作为内容管理员，社交媒体平台和研究人员的资源，致力于打击在线仇恨言论的传播。
2023-03-01 cs.CL cs.HC
Detection of Illicit Content on Online Marketplaces using Large Language Models
AiLECS Lab Monash University（AiLECS实验室 莫纳什大学）
本文研究了利用大语言模型检测在线市场非法内容的有效性，发现LLM在复杂分类任务中表现优于传统方法。
2026-03-05 cs.AI cs.CL
"Whose Side Are You On?" Estimating Ideology of Political and News Content Using Large Language Models and Few-shot Demonstration Selection
University of California, Davis（加州大学戴维斯分校）；University of South Florida（佛罗里达州立大学）
针对现有意识形态分类方法需大量人力、难以适应语境变化的问题，本文提出基于大型语言模型（LLMs）和上下文学习（ICL）的方法，通过标签平衡示例选择在三个数据集上显著优于零样本和传统方法，并分析了元数据的影响。
2025-11-11 cs.CL cs.CY cs.SI
