Elite Polarization in European Parliamentary Speeches: a Novel Measurement Approach Using Large Language Models
Dieser Beitrag stellt den „Elite Polarization Score" vor, einen neuartigen, skalierbaren Messansatz, der Large Language Models nutzt, um feindselige gegenseitige Bewertungen unter politischen Eliten in Parlamentsreden zu quantifizieren, und belegt dessen Validität sowie Abgrenzbarkeit von bestehenden Metriken für das Vereinigte Königreich, Ungarn und Italien.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die große Idee: Die „Temperatur" politischer Kämpfe messen
Stellen Sie sich ein Parlament nicht als Ort vor, an dem Gesetze gemacht werden, sondern als eine riesige, laute Dinnerparty. Normalerweise betrachten wir bei der Erforschung der Politik zwei Dinge:
- Was die Menschen denken: Wir fragen normale Wähler: „Hassen Sie das andere Team?" (Dies wird als massive affektive Polarisierung bezeichnet).
- Was die Politiker glauben: Wir prüfen ihre Positionspapiere, um zu sehen, ob sie auf dem Links-Rechts-Spektrum weit auseinanderliegen (Dies ist ideologische Polarisierung).
Dieses Papier argumentiert jedoch, dass uns ein entscheidendes Puzzleteil fehlt: Wie Politiker tatsächlich miteinander sprechen.
Der Autor, Gennadii Iakovlev, möchte Elite-Polarisierung messen. Stellen Sie sich dies vor als die Messung der „Feindseligkeits-Temperatur" im Raum, in dem die Regeln geschrieben werden. Wenn die Politiker am Haupttisch anfangen zu schreien, zu beleidigen und sich wie Feinde zu behandeln, steckt die Demokratie in Schwierigkeiten – selbst wenn die normalen Leute auf der Party völlig in Ordnung sind.
Das Problem: Die alten Werkzeuge waren zu ungeschickt
Früher war der Versuch, diese „Feindseligkeit" zu messen, wie der Versuch, jeden einzelnen Schimpfwort in einer riesigen, mehrsprachigen Bibliothek mit einer Lupe und einem Wörterbuch zu zählen.
- Alte Methode: Forscher mussten Reden manuell lesen oder einfache Computerprogramme verwenden, die nur nach „schlechten Wörtern" suchten.
- Der Fehler: Diese Werkzeuge waren im Umgang mit Kontext schlecht. Wenn ein Politiker sagte: „Die Wirtschaft ist schrecklich", könnte ein einfaches Tool denken, er sei wütend. Aber wenn er sagte: „Die Opposition hat die schreckliche Wirtschaft verursacht", ist das ein direkter Angriff. Alte Tools konnten nicht zwischen dem Mangeln über eine Situation und dem Angreifen einer Person unterscheiden. Sie hatten zudem Schwierigkeiten mit verschiedenen Sprachen, was den Vergleich von Ländern wie Ungarn, Italien und dem Vereinigten Königreich erschwerte.
Die Lösung: Der „Super-Leser"-Roboter
Der Autor stellt ein neues Werkzeug vor, das auf Large Language Models (LLMs) basiert. Stellen Sie sich dies vor als die Einstellung eines superklugen, mehrsprachigen Roboter-Assistenten, der fast jedes Buch der Welt gelesen hat.
So funktioniert der Roboter, Schritt für Schritt:
- Der Detektiv: Der Roboter liest eine Rede und erkennt jedes Mal, wenn ein Politiker einen anderen erwähnt. Er ignoriert Erwähnungen von „der Wirtschaft" oder „dem Wetter" und konzentriert sich nur auf „Sie, der Premierminister" oder „Dieser verrückte Typ von der anderen Partei".
- Der Richter: Für jede Erwähnung fragt der Roboter: „Ist der Sprecher nett, neutral oder gemein?" Er vergibt eine Punktzahl von -5 (Hass) bis +5 (Liebe). Entscheidend ist, dass er den Kontext versteht. Er weiß, dass „Sie sind eine Katastrophe" etwas anderes ist als „Die Situation ist eine Katastrophe".
- Der Übersetzer: Der Roboter bewältigt verschiedene Sprachen (Englisch, Ungarisch, Italienisch), ohne für jede einzelne neu trainiert werden zu müssen.
- Der Punktezähler: Er nimmt all diese winzigen Punktzahlen und mittelt sie zu einer einzigen Zahl: dem Elite-Polarisations-Score (EPS).
Der Score: Was bedeutet die Zahl?
Stellen Sie sich ein Thermometer für politische Wut vor.
- Ein niedriger Score (nahe 0 oder negativ): Politiker sind beim Sprechen über ihre Rivalen meist höflich oder neutral.
- Ein hoher Score (positiv): Politiker sind gegenüber ihren Gegnern durchgehend gemein, feindselig und negativ.
Das Papier zeigt, dass dieser Score einzigartig ist. Es geht nicht nur darum, wie wütend die Wähler sind, und es geht nicht nur darum, wie weit ihre Politik auseinanderdriftet. Es ist ein spezifisches Maß dafür, wie sehr sich die Führer persönlich in der Öffentlichkeit gegenseitig missfallen.
Die Fallstudien: Den Roboter testen
Der Autor testete diesen Roboter an drei verschiedenen „Dinnerpartys", um zu sehen, ob er funktioniert:
Ungarn (Der volatile Raum):
- Was passierte: Das Land durchlief einen großen politischen Umbruch. Die regierende Partei übernahm die Macht, änderte die Regeln und die Opposition wurde zerschlagen.
- Was der Roboter sah: Die Feindseligkeit stieg nicht im Moment, als der neue Führer die Macht übernahm. Stattdessen stieg der „Wut-Score" im Laufe der Zeit langsam an, als sich die politische Landschaft veränderte und die Opposition verzweifelter wurde. Es zeigte, dass Elite-Kämpfe oft gären, bevor sie überkochen.
Das Vereinigte Königreich (Der stabile Raum):
- Was passierte: Eine sehr stabile Demokratie mit zwei Hauptparteien.
- Was der Roboter sah: Interessanterweise stellte der Roboter fest, dass die Politiker im Parlament in bestimmten Perioden sogar netter zueinander wurden, selbst wenn die Wähler wütender wurden und die Politiken weiter auseinanderdrifteten. Dies beweist, dass das, was im Parlament passiert, nicht immer dem entspricht, was auf den Straßen passiert.
Italien (Der chaotische Raum):
- Was passierte: Italien hat viele Parteien, die ständig Partner wechseln und neue Regierungen bilden.
- Was der Roboter sah: Der „Wut-Score" sank immer dann, wenn ehemalige Feinde zu Partnern in einer neuen Regierung wurden. Wenn sie zusammen die Macht innehatten, hörten sie auf, sich zu beleidigen. Wenn sie aus der Regierung geworfen wurden, begannen die Beleidigungen wieder. Dies zeigt, dass der Score auf echte politische Ereignisse sensibel reagiert.
Warum das wichtig ist
Das Papier behauptet, dass diese neue Methode ein Game-Changer ist, weil:
- Sie schnell ist: Sie kann Jahrzehnte an Reden in Tagen verarbeiten, nicht in Jahren.
- Sie genau ist: Das „Urteil" des Roboters stimmt fast perfekt mit menschlichen Experten überein, mit nahezu null Fehlern bei der Identifizierung, über wen gesprochen wird.
- Sie universell ist: Sie funktioniert über verschiedene Sprachen und politische Systeme hinweg.
Das Fazit
Dieses Papier bietet uns eine neue Möglichkeit, auf den „Haupttisch" der Demokratie zu hören. Indem wir KI nutzen, um genau zu hören, was Politiker über einander sagen, können wir eine klare, Echtzeit-Messung erhalten, wie feindselig unsere Führer sich gegenseitig gegenüberstehen. Dies hilft uns zu verstehen, wann eine Demokratie gesund ist und wann die Führer anfangen, sich wie Feinde zu behandeln, was oft das erste Anzeichen für Ärger ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.