💬 NLP

Ideology Prediction of German Political Texts

Dit artikel stelt een op transformers gebaseerde aanpak voor om de politieke oriëntatie van Duitse teksten op een continu spectrum van links naar rechts te voorspellen, en toont door middel van experimenten op vier verschillende corpora aan dat modelarchitectuur en domeinspecifieke trainingsdata even cruciaal zijn als modelgrootte voor het bereiken van hoge nauwkeurigheid bij bias-schatting.

Oorspronkelijke auteurs: Sinclair Schneider, Florian Steuber, Joao A. G. Schneider, Gabi Dreo Rodosek

Gepubliceerd 2026-05-15

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sinclair Schneider, Florian Steuber, Joao A. G. Schneider, Gabi Dreo Rodosek

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: Een Politiek Kompas voor Tekst

Stel je voor dat je een gigantische, onzichtbare liniaal hebt die loopt van Links (-1) tot Rechts (+1). Helemaal links staan mensen die een grote overheid en sociale verandering willen; helemaal rechts staan degenen die traditie en een beperkte overheid willen; en in het midden zitten de gematigden.

Meestal zijn computers slecht in het gebruik van deze liniaal. Ze zijn geweldig in het sorteren van dingen in vakjes (zoals "Links", "Midden" of "Rechts"), maar ze hebben moeite om te zeggen: "Deze tekst is iets links van het midden," of "Die daar is heel ver rechts."

Dit artikel introduceert een nieuw computerprogramma (een "transformer-model") dat niet alleen tekst in vakjes sorteert. In plaats daarvan fungeert het als een GPS voor politieke ideeën. Het neemt een stuk tekst—zoals een nieuwsartikel, een toespraak of een tweet—en geeft een precieze coördinaat op die Links-naar-Rechts-liniaal.

Hoe Ze De Kaart Bouwden

Om de computer te leren politiek te lezen, deden de onderzoekers niet zomaar een gok. Ze bouwden een enorme trainingsbibliotheek met vier verschillende "woordenboeken":

Het Parlementsverslag (Bundestag): Ze namen duizenden echte toespraken van Duitse politici. Omdat we precies weten tot welke partij elke politicus behoort, leerde de computer om specifieke woorden en toonhoogtes te koppelen aan specifieke partijen.
De Kiesgids (Wahl-O-Mat): Dit is een populaire Duitse website waar kiezers vragen beantwoorden om te zien welke partij het beste bij hun opvattingen past. De onderzoekers gebruikten de officiële antwoorden van de partijen zelf. Dit gaf de computer een duidelijke "grondwaarheid" van wat elke partij eigenlijk gelooft.
De Krantencollectie: Ze verzamelden miljoenen artikelen van 33 verschillende Duitse kranten, variërend van zeer links tot zeer rechts.
De Twitter (X) Feed: Ze verzamelden meer dan een half miljoen tweets van Duitse politici om te zien hoe ze klinken in korte, informele uitbarstingen.

De "Magische Truc" (Dataverrijking):
Om ervoor te zorgen dat de computer niet alleen de exacte woorden die het kreeg onthield, gebruikten ze een tweede AI om dezelfde politieke uitspraken in verschillende "stemmen" te herschrijven. Ze vroegen de AI om een beleid uit te leggen als een kind, een tiener, een volwassene of een sociale media-influencer. Dit leerde de computer het idee achter de woorden te herkennen, niet alleen de woorden zelf.

Hoe De "GPS" Werkt

Het systeem gebruikt een slimme geometrische truc om een lijst met kansen om te zetten in één enkel getal op de liniaal.

De Partijvectoren: Stel je voor dat elk van de zes grote Duitse politieke partijen een kompasnaald is die in een specifieke richting wijst.
- De uiterst linkse partij wijst rechtstreeks naar Links.
- De uiterst rechtse partij wijst rechtstreeks naar Rechts.
- De liberale partij wijst rechtstreeks naar Boven (het midden).
- De anderen wijzen in tussenliggende hoeken.
De Berekening: Wanneer de computer een nieuwe tekst leest, vraagt het: "Hoe veel klinkt dit als de Linkse Partij? Hoe veel als de Rechtse Partij?"
- Het neemt die antwoorden en vermenigvuldigt ze met de richting van de kompasnaald van de partij.
- Vervolgens telt het al die kleine pijltjes op tot één grote "resultaatpijl".
De Score: De richting van die uiteindelijke grote pijl vertelt de computer de politieke score. Als de pijl iets naar links wijst, is de score -0,3. Als hij ver naar rechts wijst, is de score +0,8.

Wat Ze Vonden

De onderzoekers testten 13 verschillende computermodellen om te zien welke de beste "vertaler" was.

De Specialist versus De Generalist: Een model, genaamd DeBERTa-large, was specifiek getraind op Duitse tekst. Het was het beste in het begrijpen van politieke toespraken en officiële documenten (de "in-domain"-test).
De Chameleoon: Een ander model, Gemma2-2B, was kleiner maar getraind op een mix van veel talen. Verrassend genoeg was het het beste in het begrijpen van nieuwe soorten tekst die het nog niet eerder had gezien, zoals willekeurige krantenartikelen of tweets (de "out-of-domain"-test).
Grootte Is Niet Alles: Ze ontdekten dat het hebben van een enorm computermodel (met miljarden parameters) niet altijd betekende dat het slimmer was. Soms werkte een kleiner, goed getraind model beter.

De Nauwkeurigheid:
Het systeem is verrassend goed. Toen ze hun scores vergeleken met menselijke beoordelingen van kranten, zat de computer slechts ongeveer 8,5% naast de waarheid. Dit is ongeveer even nauwkeurig als een standaard opiniepeiling.

Waar Het Kan Worden Gebruikt (en Waar Niet)

Het artikel suggereert een paar praktische toepassingen voor dit hulpmiddel:

Browserextensies: Stel je een extensie voor die boven elk nieuwsartikel dat je leest een kleine balk toont, die aangeeft of het naar links of rechts neigt.
Trends Volgen: Je zou kunnen volgen hoe de politieke toon van een specifiek onderwerp verandert over een week of een maand.
Echo-kamers Opsporen: Het kan mensen helpen beseffen of ze alleen nieuws lezen van één kant van het spectrum.

De Beperkingen (De "Valkuilen"):

Het Is Geen Brein: De computer is een patroonherkenner, geen filosoof. Het kan niet begrijpen waarom iemand iets zegt. Als een politicus een radicaal idee citeert om het te bekritiseren, kan de computer denken dat de politicus dat idee steunt.
Context Is Belangrijk: Het werkt het beste met Duitse tekst. Het begrijpt geen Amerikaanse politiek of andere culturen omdat de "liniaal" specifiek is gebouwd voor Duitse partijen.
Korte Teksten: Het heeft moeite met zeer korte tweets (minder dan 50 woorden) omdat er niet genoeg context is om de betekenis te achterhalen.
Geen "Redenering": Het kan zijn eigen logica niet uitleggen. Het geeft je gewoon een getal.

De Conclusie

Dit artikel bewijst dat we computers kunnen leren politieke bias te meten op een continue schaal, niet alleen in vakjes. Door een mix van officiële verslagen, kiesgidsen en slimme wiskunde te gebruiken, creëerden ze een hulpmiddel dat Duitse politieke tekst kan lezen en je precies kan vertellen waar het op het spectrum staat, met een nauwkeurigheid die die van menselijke experts evenaart. Het is echter een hulpmiddel voor analyse, geen rechter van de waarheid, en het moet voorzichtig worden gebruikt om misverstanden van context te voorkomen.

Technische Samenvatting: Ideologievoorspelling van Duitse Politieke Teksten

Probleemstelling

Het artikel behandelt de uitdaging om politieke retoriek in Duitse teksten te kwantificeren langs een continu spectrum van links naar rechts, in plaats van te vertrouwen op discrete, categorische classificaties (bijv. links, midden, rechts). Bestaande benaderingen lijden vaak onder beperkte granulariteit, het onvermogen om dynamisch te focussen op specifieke politieke richtingen, en een slechte generaliseerbaarheid over verschillende domeinen (bijv. van nieuwsartikelen naar sociale media). Bovendien wordt het merendeel van het fundamentele onderzoek in het Engels uitgevoerd, wat een gat creëert in hulpmiddelen die zijn toegespitst op de specifieke linguïstische en politieke nuances van de Duitse context. De auteurs streven ernaar een op transformers gebaseerd model te ontwikkelen dat in staat is om politieke oriëntatie te projecteren op een genormaliseerde scalair $d \in [-1, 1]$ , waarbij -1 de uiterst-linkse kant vertegenwoordigt en 1 de uiterst-rechtse kant, met 0 die een liberaal/centristische oriëntatie aangeeft.

Methodologie

Datacollectie en Constructie

De studie maakt gebruik van vier verschillende corpora om robuustheid te waarborgen en overfitting te mitigeren:

Bundestag Dataset: 34.174 ruwe toespraken uit het Duitse Bondsdag (2017–2024). Deze data werd automatisch gelabeld door sentiment te extraheren uit geregistreerde onderbrekingen (applaus, sissen, interjecties) om partijakkoord of -onakkoord te bepalen.
Wahl-O-Mat Dataset: 1.751 unieke uitspraken uit de officiële Duitse kiezersgids (1998–2021), waarbij partijposities (goedkeuring, neutraal, afwijzing) officieel werden bevraagd.
Kranten Dataset: Ongeveer 10 miljoen artikelen uit 33 Duitse kranten, gelabeld op basis van externe bias-ratings (Medienkompass.org) en gevalideerd tegen onafhankelijke bronnen (Mediabiasfactcheck en academische studies).
Tweet Dataset: 535.200 tweets van 597 leden van de 20e en 21e Duitse Bondsdag, gelabeld op basis van de partijaansluiting van de auteur.

Dataverrijking: Om de linguïstische variantie te vergroten, werden de Bundestag- en Wahl-O-Mat-datasets synthetisch verrijkt met behulp van een Llama 3.1-model om uitspraken te herschrijven in verschillende stijlen (bijv. kind, tiener, sociale mediapost). De gecombineerde trainingsset (Bundestag + Wahl-O-Mat) telt in totaal 570.416 steekproeven.

Modelarchitectuur en Training

De voorgestelde pijplijn omvat drie hoofdfasen:

Politieke Filter: Een binaire classifier (DeBERTa-large) bepaalt of een tekst politiek is, en filtert niet-politieke inhoud eruit om te voorkomen dat de gemiddelde classificatie wordt vertekend.
Multilabel Partijclassificatie: 13 kandidaat-transformermodellen (waaronder DeBERTa-large, diverse EuroBERT-varianten, GBERT, Llama 3.2 en Gemma 2) worden getraind om de waarschijnlijkheid te voorspellen dat een tekst tot een van de zes grote Duitse partijen behoort: Die Linke, Bündnis 90/Die Grünen, SPD, FDP, CDU/CSU en AfD.
Vectorprojectie naar Continu Schaal:
- Elke partij krijgt een eenheidsvector toegewezen op een halve cirkel, gebaseerd op hun relatieve politieke afstanden, berekend aan de hand van overlapanalyse van Wahl-O-Mat-antwoorden.
- Die Linke is vastgezet aan de uiterst-linkse kant (-90°), FDP in het midden (0°) en AfD aan de uiterst-rechtse kant (90°).
- De posities van SPD, Grüne en CDU worden afgeleid op basis van hun berekende afstanden tot deze ankers.
- De uiteindelijke output is een gewogen som van de multilabel-kansen vermenigvuldigd met hun respectieve partijvectoren. De hoek van de resulterende vector wordt omgezet in een scalair score in $[-1, 1]$ .

Optimalisatie: Een laatste optimalisatiestap past de partijvectoren aan (beperkt tot een maximale verschuiving van 0,25, behalve voor de vaste ankers) om de Mean Absolute Error (MAE) te minimaliseren ten opzichte van de grondwahrheid van de kranten, waardoor overfitting wordt voorkomen terwijl de uitlijning van het model met het politieke spectrum wordt verfijnd.

Belangrijkste Bijdragen

Mapping van Continu Spectrum: Het artikel introduceert een algoritme dat politieke teksten mapt naar een continu links-rechts-schaal ( $[-1, 1]$ ) in plaats van discrete klassen, wat een meer gedetailleerde analyse van politieke framing mogelijk maakt.
Duits-specifieke Aanpassing: Het werk past voorspelling van politieke standpunten aan op de Duitse context, met gebruikmaking van specifieke datasets (Bundestag, Wahl-O-Mat) en het adresseren van het unieke meerpartijenstelsel, en gaat verder dan op de VS gerichte of enkel Engelstalige modellen.
Semi-supervised Labeling: De methodologie maakt gebruik van een automatisch labelingsbenadering gebaseerd op parlementaire onderbrekingen en officiële kiezersgidsdata, wat de afhankelijkheid van handmatige annotatie vermindert en periodieke hertraining mogelijk maakt naarmate het politieke landschap verschuift.
Cross-Domein Evaluatie: De studie test modellen rigoureus op buiten-domein datasets (kranten en tweets) om generaliseerbaarheid te evalueren, en toont aan dat modelarchitectuur en diversiteit van trainingsdata even invloedrijk zijn als modelgrootte.

Resultaten

In-Domein Prestaties: Het DeBERTa-large-model behaalde de hoogste F1-score (0,844) op de in-domein testsets (Bundestag/Wahl-O-Mat).
Out-of-Domein (Twitter) Prestaties: DeBERTa-large presteerde ook het beste op de Twitter-testset met een nauwkeurigheid van 0,864. De prestaties correleerden sterk met de tweetlengte, en namen aanzienlijk toe voor teksten met 50+ woorden.
Out-of-Domein (Kranten) Prestaties: Het Gemma2-2B-model excelleerde in dit domein, en behaalde de laagste Mean Absolute Error (MAE = 0,172) na optimalisatie. Dit suggereert dat kleinere, via kennisdistillatie getrainde modellen beter kunnen generaliseren naar onbekende domeinen dan grotere of alleen-encoder-modellen die op specifieke corpora zijn getraind.
Impact van Optimalisatie: De vectoroptimalisatiestap verlaagde de gemiddelde MAE over de modellen met ongeveer 1,19%, waarbij EuroBERT-610m de meest significante verbetering liet zien (5,73% reductie).

Betekenis en Claims

De auteurs claimen dat hun op transformers gebaseerde aanpak politieke framing in Duitse nieuwsberichten kan herkennen op een niveau dat vergelijkbaar is met opiniepeilingen. De studie toont aan dat:

Modelarchitectuur en Data Belangrijk zijn: De beschikbaarheid van domeinspecifieke trainingsdata en de keuze van architectuur zijn even kritiek als modelgrootte voor het schatten van politieke bias. Zo presteerde DeBERTa-large (getraind op diverse Duitse data) beter dan grotere Llama-modellen in in-domein taken, terwijl Gemma2-2B (getraind via kennisdistillatie) beter presteerde dan anderen in out-of-domein generalisatie.
Robuustheid: De methode biedt een robuust hulpmiddel voor het analyseren van politieke discours zonder handmatige labeling, wat het volgen van politieke trajecten en het identificeren van echo-kamers mogelijk maakt.
Beperkingen: De auteurs erkennen bescheiden beperkingen, waaronder het onvermogen van het model om redeneringen over aangehaalde meningen te maken (onderscheid maken tussen het steunen en bekritiseren van een uitspraak) en de beperkingen van een een-dimensionale projectie die complexe politieke nuances mogelijk niet vastlegt (bijv. de negatieve correlatie tussen de uiterst-linkse en uiterst-rechtse kant op specifieke kwesties). Ze benadrukken dat het hulpmiddel niet mag worden gebruikt om inhoud te blokkeren of individuen te discrimineren, maar eerder om aggregate discourspatronen te analyseren.

Het artikel concludeert dat hoewel de classifier effectief is voor aggregate analyse, het de redeneercapaciteiten mist om uit te leggen waarom een tekst op een bepaalde manier wordt geclassificeerd, en dat toekomstig werk zich moet richten op het ontwikkelen van op redenering gebaseerde modellen om de interpreteerbaarheid te verbeteren.