Measuring Negative Campaigning across Languages with Large Language Models: A Study of 18 Million Tweets in 19 Countries
这项研究表明，零样本大语言模型能够有效地、可扩展地对19种语言中的负面竞选活动进行分类，并揭示了执政党表现得较不具负面性，而意识形态非中立的政党，尤其是极右翼政党，则会进行显著更多的对抗性修辞。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，政治世界就像一个巨大的、嘈杂的体育场，每个人都试图说服观众为自己的队伍欢呼。几十年来，研究这个体育场的科学家们一直痴迷于一种特定的行为：“负面竞选”。你可以把它理解为不仅仅是政客在说“我很棒”，而是指着对手大喊：“看那家伙，他糟透了！”这就是政治“吐槽”的艺术。虽然我们知道这种现象随处可见——从古希腊的陶器碎片到现代电视广告——但弄清楚为什么有些队伍比其他队伍更喜欢这样做，一直是研究人员的一个巨大难题。问题在于？手动计数这些侮辱言论就像戴着烤箱手套去数沙滩上的每一粒沙子一样。这既费时又昂贵，而且如果你尝试用二十种不同的语言去做这件事，你得为每一句话都配一个翻译。正因如此，大多数研究一直受限于只观察一个国家（通常是美国），或者依赖专家对竞选“氛围”的直觉判断，而这种判断并不十分精确。但最近，一个新工具登场了：大语言模型（LLMs）。你可以把它们看作是超级聪明、不知疲倦的机器人，它们几乎读过互联网上写过的所有内容。它们能理解多种语言中的细微差别、讽刺和侮辱，而无需从头开始学习规则。这篇论文提出了一个大问题：这些人工智能机器人能否成为在全球范围内统计政治侮辱行为的新裁判，以及它们告诉了我们关于谁真正喜欢“抹黑”他人这件事的什么真相？
作者们决定在大规模范围内对这些人工智能机器人进行测试。首先，他们必须证明这些机器人能够胜任这项工作。他们向人工智能输入了数百万条推文，并要求它识别负面攻击，然后将机器人的答案与那些花费多年时间手动阅读相同帖子的专家进行了对比。结果如何？这些机器人表现得惊人地出色。事实上，在某些情况下，人工智能甚至比人类专家更具一致性和准确性，而且它可以在十种不同的语言中毫不费力地完成这项工作。这就像是用一群高效、多语言的无人机群，取代了一支疲惫不堪、过度劳累的研究生团队。
一旦信任了这些机器人，研究人员就让它们处理海量数据：2017 年至 2022 年间，来自 19 个欧洲国家的政客发布的 1800 万条推文。他们想看看当你在整个欧洲大陆进行观察时，关于“谁更容易变得刻薄”的旧规则是否依然成立。他们测试了几个核心观点：执政中的政客（即“政府”队）是否因为需要表现得负责任而表现得更友善？处于政治光谱极端的政客（即激进派）是否因为没有什么可以失去而表现得更刻薄？以及那些声称要“对抗腐败精英”的“民粹主义”政客，是否天生更喜欢投掷侮辱性的“泥巴”？
研究结果清晰且出奇地一致。人工智能的数据显示，目前处于执政地位的政客确实表现得没那么负面。他们似乎会克制侮辱行为，也许是因为他们知道，如果一旦发起争斗，可能会损害他们留任或日后与其他政党合作的机会。这就像球队队长试图维持和平，以免球队分崩离析。另一方面，那些不在领导地位的政客，尤其是那些处于政治光谱右翼和左翼边缘的政客，才是那些投掷“泥巴”最多的人。研究表明，远离政治中心会使一个政党更有可能表现出攻击性。具体而言，“激进右翼”政党是最负面的，他们使用对抗性语言的频率比任何人都高。虽然研究也观察了“民粹主义”是否会产生影响，但发现真正的驱动因素实际上是政党的极端程度；这种刻薄感似乎源于成为“局外人”，而非仅仅是“民粹主义者”。
有趣的是，研究还观察了选举时期是否会让人们变得更刻薄。结果有些复杂：有时选举会让情况恶化，但并不总是如此。最大的启示不在于时机，而在于参与者本身。论文指出，我们在社交媒体上看到的负面竞选上升，并不是因为 Twitter（现为 X）让人们变得愤怒。相反，这是某些类型的政党——特别是那些处于边缘地位和不在权力的政党——将负面性作为一种武器的战略选择。通过使用这些人工智能机器人，研究人员得以观察到跨越 19 个国家的模式，而这些模式是用传统方法无法发现的，这证明了在政治游戏中，局外人更有可能玩阴招，而掌权者则试图保持双手洁净。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。