L(u)PIN: LLM-based Political Ideology Nowcasting

政治意识形态立场的量化分析是一项困难的任务。过去，各种文献集中于议员的议会投票数据、政党宣言和议会演讲，以估算不同政治体系中的政治分歧和极化。然而，以往的量化政治分析方法都面临着一个共同的挑战，那就是可用于分析的数据量。此外，以前的方法经常集中于对政治的更一般的分析，例如议会的整体极化或政党的政治意识形态立场。在本文中，我们提出了一种方法，通过利用LLMs的潜在知识来分析个别议会代表的意识形态立场。该方法允许我们在我们选择的轴上评估政治家的立场，使我们能够灵活地衡量政治家在我们选择的某个话题/争议方面的立场。我们通过使用经过精细调整的BERT分类器从代表的演讲中提取基于观点的句子，并将每个代表的平均BERT嵌入投影到一对参考种子上来实现这一点。这些参考种子要么是已知在特定话题上持有相反观点的手动选择的代表，要么是使用OpenAI的GPT-4模型生成的句子。我们通过提示GPT-4模型生成一篇来自政治家的演讲来创建这些句子，以捍卫特定立场。

本论文旨在通过利用LLMs的潜在知识，提出一种分析议会代表意识形态立场的方法，以更灵活地衡量议员对我们选择的议题/争议的立场。

本论文提出的方法是使用经过微调的BERT分类器从代表的演讲中提取基于意见的句子，并将每个代表的平均BERT嵌入投影到一对参考种子上，以衡量他们的立场。这些参考种子可以是已知在特定议题上持相反观点的代表，也可以是使用OpenAI的GPT-4模型生成的句子。

本论文的亮点包括使用BERT分类器提取基于意见的句子、使用GPT-4生成句子作为参考种子、可以灵活地测量议员在特定议题上的立场、实验结果表明该方法可以准确地区分不同的立场。

最近的相关研究包括使用传统的量化政治分析方法来评估政治立场，如利用议会投票数据、政党宣言和议会演讲等。