超越情感:LLM多维分析框架揭示传统情感分析在政治新闻中的“中性坍缩”局限
摘要:arXiv最新研究对比了基于RoBERTa的传统情感分析与基于LLM的多维框架分析平台在政治新闻评估中的表现。研究发现,传统情感分析存在“中性坍缩”问题:70%的政治文章被归类为中性,其中23%的文章负面概率得分超过0.30,导致信息扁平化。相比之下,LLM方法能够捕捉政治偏见方向与强度、煽情性、情感诉求和框架效应,提供与社会学科认识论一致的多维分析输出。该研究强调,对于政治媒体分析,传统情感分析不足,LLM多维框架为社会科学研究提供了更充分的计算工具。
研究背景
政治话语分析是社会科学与人文学科(SSH)的核心研究领域,涉及修辞、意识形态和框架效应等多维维度。传统情感分析(SA)模型虽然能有效进行极性分类,但在捕捉这些复杂维度上存在明显不足。
核心发现:中性坍缩(Neutral Collapse)
研究团队对来自17家国际媒体的50篇政治新闻文章进行了对比分析,发现RoBERTa模型将70%的文章归类为中性,这一现象被定义为“中性坍缩”。进一步分析显示,23%的中性分类文章其负面概率得分超过0.30,表明模型未能捕捉到实质性的负面情绪。
LLM多维分析的优势
相比之下,基于LLM的多维框架分析平台能够提取以下维度:
- 政治偏见方向与强度:识别文章的政治倾向及其强度。
- 煽情性:评估文章的情感煽动程度。
- 情感诉求:分析文章如何通过情感语言影响读者。
- 政治框架:揭示文章如何构建议题和叙事。
这些输出与SSH的认识论高度一致,为政治传播研究提供了更丰富的分析工具。
行业影响与启示
该研究对计算社会科学和媒体分析领域具有重要意义:
- 方法论革新:挑战了传统情感分析在政治文本中的适用性,推动LLM在SSH研究中的应用。
- 工具选择指导:为研究人员在选择分析工具时提供了实证依据,强调多维分析的必要性。
- 未来方向:建议开发更精细的LLM提示策略和评估框架,以提升政治话语分析的深度和准确性。
结论
传统情感分析在政治新闻评估中存在显著局限,LLM多维分析框架提供了更符合社会科学需求的计算路径。该研究为跨学科合作和AI在社会科学中的应用提供了新视角。
—— 完 ——消息来源:ArXiv NLP/LLM (cs.CL) (2026-08-07)
主题标签: #LLM #情感分析 #政治新闻 #多维分析 #社会科学
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区